論文の概要: A Double-Graph Based Framework for Frame Semantic Parsing
- arxiv url: http://arxiv.org/abs/2206.09158v1
- Date: Sat, 18 Jun 2022 09:39:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 15:51:37.823774
- Title: A Double-Graph Based Framework for Frame Semantic Parsing
- Title(参考訳): フレーム意味解析のためのダブルグラフベースのフレームワーク
- Authors: Ce Zheng, Xudong Chen, Runxin Xu, Baobao Chang
- Abstract要約: フレーム意味解析は基本的なNLPタスクであり、フレーム識別、引数識別、ロール分類という3つのサブタスクから構成される。
これまでのほとんどの研究は、異なるサブタスクと議論の関係を無視し、オントロジ的なフレーム知識にはほとんど注意を払わない傾向にある。
本稿では、二重グラフ(KID)を用いた知識誘導型セマンティックPKを提案する。
実験の結果、KIDは2つのFrameNetデータセット上で1.7F1スコアで従来の最先端手法よりも優れていた。
- 参考スコア(独自算出の注目度): 23.552054033442545
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Frame semantic parsing is a fundamental NLP task, which consists of three
subtasks: frame identification, argument identification and role
classification. Most previous studies tend to neglect relations between
different subtasks and arguments and pay little attention to ontological frame
knowledge defined in FrameNet. In this paper, we propose a Knowledge-guided
Incremental semantic parser with Double-graph (KID). We first introduce Frame
Knowledge Graph (FKG), a heterogeneous graph containing both frames and FEs
(Frame Elements) built on the frame knowledge so that we can derive
knowledge-enhanced representations for frames and FEs. Besides, we propose
Frame Semantic Graph (FSG) to represent frame semantic structures extracted
from the text with graph structures. In this way, we can transform frame
semantic parsing into an incremental graph construction problem to strengthen
interactions between subtasks and relations between arguments. Our experiments
show that KID outperforms the previous state-of-the-art method by up to 1.7
F1-score on two FrameNet datasets. Our code is availavle at
https://github.com/PKUnlp-icler/KID.
- Abstract(参考訳): フレーム意味解析は基本的なNLPタスクであり、フレーム識別、引数識別、ロール分類という3つのサブタスクから構成される。
これまでのほとんどの研究は、異なるサブタスクと議論の関係を無視し、FrameNetで定義された存在論的フレーム知識にはほとんど注意を払わない傾向にある。
本稿では,知識誘導型インクリメンタル・セマンティック・パーサ(KID)を提案する。
まず,フレーム知識に基づいて構築されたフレームとfes(フレーム要素)の両方を含むヘテロジニアスグラフであるフレーム知識グラフ(fkg)を導入し,フレームとfesの知識エンハンス表現を導出する。
さらに,テキストから抽出したフレーム意味構造をグラフ構造で表現するためのフレーム意味グラフ(FSG)を提案する。
このように、フレームセマンティックパーシングをインクリメンタルグラフ構築問題に変換することで、サブタスク間の相互作用と引数間の関係を強化することができる。
実験の結果,KIDは2つのFrameNetデータセットの1.7F1スコアよりも優れていた。
私たちのコードはhttps://github.com/PKUnlp-icler/KIDで利用可能です。
関連論文リスト
- Image2Struct: Benchmarking Structure Extraction for Vision-Language Models [57.531922659664296]
Image2Structは、画像から構造を抽出する際のビジョンピクセルモデル(VLM)を評価するためのベンチマークである。
Image2Structでは、VLMが入力画像から基盤構造を生成するように促される。
そして、構造を描画して出力画像を生成し、入力画像と比較して類似度スコアを生成する。
論文 参考訳(メタデータ) (2024-10-29T18:44:59Z) - Modeling Unified Semantic Discourse Structure for High-quality Headline Generation [45.23071138765902]
文書意味論を表現するために,統一意味談話構造(S3)を提案する。
文、節、単語の階層的な構成は、本質的に全体文書の意味を特徴づける。
私たちの仕事は、見出しや要約生成以上の、幅広いドキュメントモデリングタスクに対してインストラクティブなものです。
論文 参考訳(メタデータ) (2024-03-23T09:18:53Z) - FrameFinder: Explorative Multi-Perspective Framing Extraction from News
Headlines [3.3181276611945263]
テキストデータからフレームを抽出・解析するオープンツールであるFrameFinderについて述べる。
確立された銃暴力フレームコーパスを解析することにより,提案手法のメリットを実証する。
論文 参考訳(メタデータ) (2023-12-14T14:41:37Z) - Query Your Model with Definitions in FrameNet: An Effective Method for
Frame Semantic Role Labeling [43.58108941071302]
Frame Semantic Role Labeling (FSRL)は、引数を特定し、FrameNetで定義されたフレームロールにラベル付けする。
本稿では,これらの問題を緩和するために,FrameNet (AGED) で定義した ArGument Extractor というクエリベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-05T05:09:12Z) - Correspondence Matters for Video Referring Expression Comprehension [64.60046797561455]
ビデオ参照表現(REC)は、文章に記述された参照オブジェクトをビデオフレーム内の視覚領域にローカライズすることを目的としている。
既存の手法では,1)ビデオフレーム間の非一貫性な局所化結果,2)参照オブジェクトとコンテキストオブジェクトの混同という2つの問題に悩まされている。
本稿では、フレーム間およびクロスモーダルの両方で密接な関連性を明確に強化する新しいデュアル対応ネットワーク(DCNet)を提案する。
論文 参考訳(メタデータ) (2022-07-21T10:31:39Z) - Two-stream Hierarchical Similarity Reasoning for Image-text Matching [66.43071159630006]
文脈情報を自動的に抽出する階層的類似性推論モジュールを提案する。
従来のアプローチでは、シングルストリームの類似性アライメントを学習することしか検討されていなかった。
イメージ・ツー・テキスト・レベルの類似性計算とテキスト・ツー・テキスト・レベルの類似性計算に画像・テキストマッチングを分解する2ストリームアーキテクチャを開発した。
論文 参考訳(メタデータ) (2022-03-10T12:56:10Z) - One-shot Scene Graph Generation [130.57405850346836]
ワンショットシーングラフ生成タスクに対して,複数の構造化知識(関係知識知識)を提案する。
提案手法は既存の最先端手法よりも大きなマージンで優れる。
論文 参考訳(メタデータ) (2022-02-22T11:32:59Z) - Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。
相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。
提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
論文 参考訳(メタデータ) (2021-10-10T07:14:52Z) - A Graph-Based Neural Model for End-to-End Frame Semantic Parsing [12.43480002133656]
本稿では,フレーム意味解析タスクを協調的に行うために,エンドツーエンドのニューラルモデルを提案する。
本稿では,グラフ構築問題として,フレームセマンティック解析に関するグラフベースの手法を利用する。
フレーム・セマンティック・パーシングのベンチマーク・データセットの実験結果から,本手法の競争力が高いことが示された。
論文 参考訳(メタデータ) (2021-09-25T08:54:33Z) - Sister Help: Data Augmentation for Frame-Semantic Role Labeling [9.62264668211579]
既存のフレーム固有のアノテーションを用いて、注釈のない同じフレームの他の語彙単位を自動的に注釈付けするデータ拡張手法を提案する。
本稿では,このデータ強化の重要性を示すフレーム・セマンティック・ロール・ラベリングの実験を行う。
論文 参考訳(メタデータ) (2021-09-16T05:15:29Z)
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。