論文の概要: Relation-Specific Attentions over Entity Mentions for Enhanced Document-Level Relation Extraction

• arxiv url: http://arxiv.org/abs/2205.14393v1
• Date: Sat, 28 May 2022 10:40:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 16:20:18.976920
• Title: Relation-Specific Attentions over Entity Mentions for Enhanced Document-Level Relation Extraction
• Title（参考訳）: 文書レベル関係抽出のためのエンティティ・メンションに対する関係特有な注意
• Authors: Jiaxin Yu and Deqing Yang and Shuyu Tian
• Abstract要約: 本稿では,候補関係に関して,異なるエンティティの言及に対して選択的に注目するRSMANを提案する。 2つのベンチマークデータセットによる実験により、RSMANはいくつかのバックボーンモデルに大幅な改善をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 4.685620089585031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared with traditional sentence-level relation extraction, document-level relation extraction is a more challenging task where an entity in a document may be mentioned multiple times and associated with multiple relations. However, most methods of document-level relation extraction do not distinguish between mention-level features and entity-level features, and just apply simple pooling operation for aggregating mention-level features into entity-level features. As a result, the distinct semantics between the different mentions of an entity are overlooked. To address this problem, we propose RSMAN in this paper which performs selective attentions over different entity mentions with respect to candidate relations. In this manner, the flexible and relation-specific representations of entities are obtained which indeed benefit relation classification. Our extensive experiments upon two benchmark datasets show that our RSMAN can bring significant improvements for some backbone models to achieve state-of-the-art performance, especially when an entity have multiple mentions in the document.
• Abstract（参考訳）: 従来の文レベルの関係抽出と比較して、文書レベルの関係抽出は、文書内のエンティティを複数回言及し、複数の関係に関連付けるというより難しい作業である。 しかし、文書レベルの関係抽出のほとんどの方法は、言及レベルの特徴とエンティティレベルの特徴を区別せず、引用レベルの特徴をエンティティレベルの特徴に集約するために単純なプーリング操作を適用するだけである。 結果として、エンティティの異なる言及間の明確な意味が見過ごされる。 この問題に対処するため,本論文では,候補関係に関する異なるエンティティの言及に対して選択的に注目するRSMANを提案する。 このようにして、真に関係の分類に有利な実体の柔軟性と関係特有の表現が得られる。 2つのベンチマークデータセットに対する広範な実験により、RSMANはいくつかのバックボーンモデルに対して、特にドキュメントに複数の言及がある場合、最先端のパフォーマンスを達成するための大幅な改善をもたらすことが示されています。

関連論文リスト

• Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
  GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。 GR$2$は2つの重要なコンポーネントに焦点を当てている。 マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
  論文  参考訳（メタデータ） (2024-09-27T02:55:53Z)
• Hypergraph based Understanding for Document Semantic Entity Recognition [65.84258776834524]
  我々は,ハイパグラフアテンションを利用したハイパグラフアテンション文書セマンティックエンティティ認識フレームワークHGAを構築し,エンティティ境界とエンティティカテゴリを同時に重視する。 FUNSD, CORD, XFUNDIE で得られた結果は,本手法が意味的エンティティ認識タスクの性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-09T14:35:49Z)
• Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
  より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。 GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
  論文  参考訳（メタデータ） (2024-04-02T04:27:54Z)
• DREQ: Document Re-Ranking Using Entity-based Query Understanding [6.675805308519988]
  DREQはエンティティ指向の高密度ドキュメント再ランクモデルである。 ドキュメント表現内のクエリ関連エンティティを強調しながら、関連性の低いエンティティを同時に減らします。 DREQは、最先端のニューラル・非ニューラル・リグレード法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-11T14:27:12Z)
• Anaphor Assisted Document-Level Relation Extraction [42.57958231709678]
  文書レベルの関係抽出(DocRE)は、文書内の複数の文に分散されたエンティティ間の関係を識別する。 既存の方法は、エンティティの内部構造とエンティティ間の外部相互作用をモデル化する異種文書グラフの構築に焦点を当てている。 DocREタスクのためのAnaphor-Assisted (AA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T06:11:18Z)
• Mutually Guided Few-shot Learning for Relational Triple Extraction [10.539566491939844]
  三重抽出(MG-FTE)のための相互指導型Few-shot学習フレームワーク 本手法は,関係を分類するエンティティ誘導型リレーショナルデコーダと,エンティティを抽出するプロトデコーダとから構成される。 FewRel 1.0(単一ドメイン)では12.6F1スコア、FewRel 2.0(クロスドメイン)では20.5F1スコアで、多くの最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2023-06-23T06:15:54Z)
• HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
  本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。 重要な洞察は、単語ペア間の複雑な関連を活用することである。 実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
  論文  参考訳（メタデータ） (2023-05-07T14:57:42Z)
• 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)
• Entity Relation Extraction as Dependency Parsing in Visually Rich Documents [18.67730663266417]
  一般的な依存性解析モデルであるbiaffineを,このエンティティ関係抽出タスクに適用する。 単語間の依存関係関係を認識する依存性解析モデルとは異なることから,単語群間の関係をレイアウト情報で識別する。 実世界のアプリケーションについては、本モデルが社内の税関データに適用され、プロダクション環境で信頼性の高い性能を実現している。
  論文  参考訳（メタデータ） (2021-10-19T12:26:40Z)
• Mention-centered Graph Neural Network for Document-level Relation Extraction [2.724649366608364]
  我々は, 相互関係関係を推定することで, 相互関係を構築する。 実験は、異なる言及間の接続が文書レベルの関係抽出に重要であることを示している。
  論文  参考訳（メタデータ） (2021-03-15T08:19:44Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。