論文の概要: RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level Event Extraction

• arxiv url: http://arxiv.org/abs/2206.03377v1
• Date: Tue, 7 Jun 2022 15:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 14:20:57.490439
• Title: RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level Event Extraction
• Title（参考訳）: RAAT:文書レベルイベント抽出における関係モデリングのための関係拡張注意変換器
• Authors: Yuan Liang, Zhuoxuan Jiang, Di Yin, Bo Ren
• Abstract要約: 我々はRelation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存をモデル化できる新しいDEEフレームワークを提案する。 関連情報をさらに活用するために,個別のイベント関連予測タスクを導入し,マルチタスク学習方式を採用し,イベント抽出性能を明示的に向上する。
• 参考スコア（独自算出の注目度）: 16.87868728956481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In document-level event extraction (DEE) task, event arguments always scatter across sentences (across-sentence issue) and multiple events may lie in one document (multi-event issue). In this paper, we argue that the relation information of event arguments is of great significance for addressing the above two issues, and propose a new DEE framework which can model the relation dependencies, called Relation-augmented Document-level Event Extraction (ReDEE). More specifically, this framework features a novel and tailored transformer, named as Relation-augmented Attention Transformer (RAAT). RAAT is scalable to capture multi-scale and multi-amount argument relations. To further leverage relation information, we introduce a separate event relation prediction task and adopt multi-task learning method to explicitly enhance event extraction performance. Extensive experiments demonstrate the effectiveness of the proposed method, which can achieve state-of-the-art performance on two public datasets. Our code is available at https://github. com/TencentYoutuResearch/RAAT.
• Abstract（参考訳）: 文書レベルのイベント抽出(DEE)タスクでは、イベント引数は常に文中に散りばめられ、複数のイベントが1つのドキュメント(複数イベント)に置かれることがある。 本稿では、上記の2つの問題に対処する上で、イベント引数の関係情報は極めて重要であると論じ、Relation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存性をモデル化できる新しいDEEフレームワークを提案する。 より具体的には、このフレームワークはRelation-augmented Attention Transformer (RAAT)という名前の、新しくカスタマイズされたトランスフォーマーを備えている。 RAATはスケーラブルで、マルチスケールおよびマルチマウントの引数関係をキャプチャする。 さらに関係情報を活用するために,イベント関係予測タスクを分離し,イベント抽出性能を明示的に向上させるマルチタスク学習手法を導入する。 2つの公開データセット上で最先端の性能を実現するための提案手法の有効性を示す。 コードはhttps://github.com/で入手できる。 https://aws.com/TencentYoutuResearch/RAAT。

関連論文リスト

• TacoERE: Cluster-aware Compression for Event Relation Extraction [47.89154684352463]
  イベント関係抽出は自然言語処理における決定的かつ基本的な課題である。 イベント関係抽出(TacoERE)を改善するクラスタ対応圧縮法を提案する。
  論文  参考訳（メタデータ） (2024-05-11T03:06:08Z)
• GraphERE: Jointly Multiple Event-Event Relation Extraction via Graph-Enhanced Event Embeddings [1.3154296174423619]
  イベント関係抽出は自然言語を理解するために重要である。 本稿では,Graph-enhanced Event Embeddingsに基づく共同で複数のEREフレームワークであるGraphEREを提案する。
  論文  参考訳（メタデータ） (2024-03-19T07:50:32Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• Token-Event-Role Structure-based Multi-Channel Document-Level Event Extraction [15.02043375212839]
  本稿では,トークン・イベント・ロールと呼ばれる新しいデータ構造を取り入れた,文書レベルのイベント抽出のための新しいフレームワークを提案する。 提案したデータ構造により,複数のイベントにおけるトークンの主要な役割を明らかにすることができ,イベント関係のより包括的な理解が容易になる。 その結果,本手法はF1スコアの9.5ポイント向上した。
  論文  参考訳（メタデータ） (2023-06-30T15:22:57Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• EDeR: A Dataset for Exploring Dependency Relations Between Events [12.215649447070664]
  人間アノテーション付きイベント依存関係データセット(EDeR)を紹介する。 この関係を認識することで、より正確なイベント抽出が可能になることを示す。 我々は,3方向の分類を必須引数,任意引数,あるいは非議論に予測することは,より困難な課題であることを示した。
  論文  参考訳（メタデータ） (2023-04-04T08:07:07Z)
• MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference, Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
  アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。 103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。 実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-14T13:34:49Z)
• EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction [52.43978926985928]
  本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。 WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
  論文  参考訳（メタデータ） (2022-05-30T04:33:51Z)
• Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations [70.35379323231241]
  本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。 我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。 実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-23T13:24:39Z)
• Document-level Event Extraction with Efficient End-to-end Learning of Cross-event Dependencies [37.96254956540803]
  本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。 提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
  論文  参考訳（メタデータ） (2020-10-24T05:28:16Z)

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。