Fugu-MT 論文翻訳(概要): Jointly Learning Span Extraction and Sequence Labeling for Information Extraction from Business Documents

論文の概要: Jointly Learning Span Extraction and Sequence Labeling for Information Extraction from Business Documents

arxiv url: http://arxiv.org/abs/2205.13434v1
Date: Thu, 26 May 2022 15:37:24 GMT
ステータス: 処理完了
システム内更新日: 2022-05-27 20:04:16.116714
Title: Jointly Learning Span Extraction and Sequence Labeling for Information Extraction from Business Documents
Title（参考訳）: ビジネス文書からの情報抽出のための協調学習スパン抽出とシーケンスラベリング
Authors: Nguyen Hong Son, Hieu M. Vu, Tuan-Anh D. Nguyen, Minh-Tien Nguyen
Abstract要約: 本稿では,ビジネス文書の新しい情報抽出モデルを提案する。これは、スパン抽出とシーケンスラベリングの両方の利点を考慮に入れている。このモデルは2つのタスクを共同で最適化するために、エンドツーエンドで訓練されている。
参考スコア（独自算出の注目度）: 1.6249267147413522
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces a new information extraction model for business documents. Different from prior studies which only base on span extraction or sequence labeling, the model takes into account advantage of both span extraction and sequence labeling. The combination allows the model to deal with long documents with sparse information (the small amount of extracted information). The model is trained end-to-end to jointly optimize the two tasks in a unified manner. Experimental results on four business datasets in English and Japanese show that the model achieves promising results and is significantly faster than the normal span-based extraction method. The code is also available.
Abstract（参考訳）: 本稿ではビジネス文書の新しい情報抽出モデルを提案する。スパン抽出とシーケンスラベリングのみに基づく以前の研究とは異なり、このモデルはスパン抽出とシーケンスラベリングの両方の利点を考慮に入れている。この組み合わせにより、モデルは少ない情報(少ない量の抽出された情報)で長いドキュメントを扱うことができる。モデルはエンドツーエンドでトレーニングされ、2つのタスクを統一的に最適化する。英語と日本語の4つのビジネスデータセットの実験結果から,本モデルは有望な結果となり,通常のスパンベース抽出法よりもはるかに高速であることがわかった。コードも利用可能である。

関連論文リスト

CRAFT Your Dataset: Task-Specific Synthetic Dataset Generation Through Corpus Retrieval and Augmentation [51.2289822267563]
合成データセットを生成するCRAFT(Corpus Retrieval and Augmentation for Fine-Tuning)を提案する。我々は、大規模な公開ウェブクローラコーパスと類似性に基づく文書検索を用いて、他の関連する人文文書を検索する。我々は,CRAFTが4つのタスクに対して,大規模タスク固有のトレーニングデータセットを効率的に生成できることを実証した。
論文参考訳（メタデータ） (2024-09-03T17:54:40Z)
FabricQA-Extractor: A Question Answering System to Extract Information from Documents using Natural Language Questions [4.961045761391367]
可読性モデルを読み取ると、短いテキストを渡せば自然言語で表される質問に答える。本稿では,リレーショナル構造に関する知識を活用して抽出品質を向上させるリレーショナルコヒーレンス(Relation Coherence)というモデルを提案する。リレーショナルコヒーレンスによって抽出性能が向上し,大規模データセット上でFabricQA-Extractorが評価されることを示す。
論文参考訳（メタデータ） (2024-08-17T15:16:54Z)
From News to Summaries: Building a Hungarian Corpus for Extractive and Abstractive Summarization [0.19107347888374507]
HunSum-2は、抽象的および抽出的要約モデルのトレーニングに適したオープンソースのハンガリー語コーパスである。データセットは、徹底的なクリーニングを行うCommon Crawlコーパスのセグメントから組み立てられる。
論文参考訳（メタデータ） (2024-04-04T16:07:06Z)
Do the Benefits of Joint Models for Relation Extraction Extend to Document-level Tasks? [5.8309706367176295]
リレーショナルトリプル抽出には2つの異なるアプローチが提案されている。トリプル間の相互作用をキャプチャするジョイントモデルは、より最近の開発である。文レベルおよび文書レベルのデータセット上で、最先端パイプラインと共同抽出モデルをベンチマークする。
論文参考訳（メタデータ） (2023-10-01T15:09:36Z)
Modeling Entities as Semantic Points for Visual Information Extraction in the Wild [55.91783742370978]
文書画像から鍵情報を正確かつ堅牢に抽出する手法を提案する。我々は、エンティティを意味的ポイントとして明示的にモデル化する。つまり、エンティティの中心点は、異なるエンティティの属性と関係を記述する意味情報によって豊かになる。提案手法は,従来の最先端モデルと比較して,エンティティラベルとリンクの性能を著しく向上させることができる。
論文参考訳（メタデータ） (2023-03-23T08:21:16Z)
Ensemble Transfer Learning for Multilingual Coreference Resolution [60.409789753164944]
非英語で作業する場合に頻繁に発生する問題は、注釈付きトレーニングデータの不足である。我々は,様々なトランスファー学習技術を組み合わせた,シンプルだが効果的なアンサンブルベースのフレームワークを設計する。また、ウィキペディアアンカーテキストを利用して、コア参照解決モデルをブートストラップする低コストのTL手法を提案する。
論文参考訳（メタデータ） (2023-01-22T18:22:55Z)
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
学術論文からN-ary関係を抽出する問題について考察する。提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
論文参考訳（メタデータ） (2022-10-26T02:28:02Z)
Key Information Extraction From Documents: Evaluation And Generator [3.878105750489656]
本研究プロジェクトは,文書からの情報抽出のための最先端モデルと比較する。その結果,NLPに基づく事前処理はモデル性能に有益であることが示唆された。境界ボックス回帰デコーダの使用により、長方形に従わないフィールドに対してのみモデル性能が向上する。
論文参考訳（メタデータ） (2021-06-09T16:12:21Z)
Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
論文参考訳（メタデータ） (2020-05-20T13:39:47Z)
IMoJIE: Iterative Memory-Based Joint Open Information Extraction [37.487044478970965]
提案するIMojieはCopyAttentionの拡張であり, 従来抽出した全データに対して次の抽出条件を導出する。 IMoJIEはCopyAttentionを約18F1pt、BERTベースの強力なベースラインを2F1ptで上回る。
論文参考訳（メタデータ） (2020-05-17T07:04:08Z)
Pre-training for Abstractive Document Summarization by Reinstating Source Text [105.77348528847337]
本稿では,Seq2Seqに基づく非ラベルテキストによる抽象要約モデルの事前学習を可能にする3つの事前学習目標を提案する。 2つのベンチマーク要約データセットの実験では、3つの目的がすべてベースラインでパフォーマンスを向上させることが示されている。
論文参考訳（メタデータ） (2020-04-04T05:06:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。