論文の概要: Enhancing Document-level Relation Extraction by Entity Knowledge Injection

• arxiv url: http://arxiv.org/abs/2207.11433v1
• Date: Sat, 23 Jul 2022 06:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:58:47.989304
• Title: Enhancing Document-level Relation Extraction by Entity Knowledge Injection
• Title（参考訳）: エンティティ知識注入による文書レベルの関係抽出の強化
• Authors: Xinyi Wang and Zitao Wang and Weijian Sun and Wei Hu
• Abstract要約: ドキュメントレベルの関係抽出(RE)は、ドキュメント全体を通してエンティティ間の関係を特定することを目的としている。 大規模知識グラフ(KG)は現実世界の事実を豊富に含み、ドキュメントレベルのREに貴重な知識を提供する。 本稿では,現行の文書レベルのREモデルを強化するためのエンティティ知識注入フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 33.35887114768141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Document-level relation extraction (RE) aims to identify the relations between entities throughout an entire document. It needs complex reasoning skills to synthesize various knowledge such as coreferences and commonsense. Large-scale knowledge graphs (KGs) contain a wealth of real-world facts, and can provide valuable knowledge to document-level RE. In this paper, we propose an entity knowledge injection framework to enhance current document-level RE models. Specifically, we introduce coreference distillation to inject coreference knowledge, endowing an RE model with the more general capability of coreference reasoning. We also employ representation reconciliation to inject factual knowledge and aggregate KG representations and document representations into a unified space. The experiments on two benchmark datasets validate the generalization of our entity knowledge injection framework and the consistent improvement to several document-level RE models.
• Abstract（参考訳）: 文書レベル関係抽出(re)は、文書全体のエンティティ間の関係を識別することを目的としている。 コア推論やコモンセンスといった様々な知識を合成するには複雑な推論スキルが必要である。 大規模知識グラフ(KG)は現実世界の事実を豊富に含み、ドキュメントレベルのREに貴重な知識を提供する。 本稿では,現在の文書レベルのREモデルを強化するためのエンティティ知識注入フレームワークを提案する。 具体的には、コア参照の知識を注入するためにコア参照蒸留を導入し、より一般的なコア参照推論能力を備えたREモデルを提供する。 また、実知識を注入し、KG表現と文書表現を統一空間に集約するために、表現和解を用いる。 2つのベンチマークデータセットの実験は、エンティティ知識注入フレームワークの一般化と、複数の文書レベルのREモデルに対する一貫した改善を検証する。

関連論文リスト

• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
  構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。 どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
  論文  参考訳（メタデータ） (2023-05-02T17:33:28Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• REKnow: Enhanced Knowledge for Joint Entity and Relation Extraction [30.829001748700637]
  関係抽出はテキストからすべての隠れた関係事実を抽出することを目的とした課題である。 様々な関係抽出設定下でうまく機能する統一されたフレームワークは存在しない。 これら2つの問題を緩和する知識強化型生成モデルを提案する。 本モデルは,WebNLG,NYT10,TACREDなど,複数のベンチマークや設定において優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-06-10T13:59:38Z)
• Embedding Knowledge for Document Summarization: A Survey [66.76415502727802]
  従来の研究は、知識を組み込んだ文書要約器が優れた消化器を生成するのに優れていたことを証明した。 本稿では,文書要約ビューに基づいて,知識と知識の埋め込みを再カプセル化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-24T04:36:07Z)
• Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment [9.701081498310165]
  エンティティアライメントは、異なる知識グラフから異種知識を統合することを目的としています。 近年の研究では、知識グラフを初めて学習し、エンティティアライメントを実行することで、埋め込みに基づく手法が採用されている。 本稿では,知識蒸留機能を備えたグラフ畳み込みネットワーク(GCN)モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-25T02:47:14Z)
• Multi-view Inference for Relation Extraction with Uncertain Knowledge [8.064148591925932]
  本論文では,未知の知識を利用して関係抽出を改善することを提案する。 対象エンティティが概念にどの程度属しているかを示す不確定なkgであるprobaseを紹介する。 次に、ローカルコンテキストとグローバル知識を体系的に統合する新しい多視点推論フレームワークを設計する。
  論文  参考訳（メタデータ） (2021-04-28T05:56:33Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Global-to-Local Neural Networks for Document-Level Relation Extraction [11.900280120655898]
  関係抽出(RE)は、テキスト内の名前付きエンティティ間の意味的関係を特定することを目的としている。 近年、文書のレベルに引き上げられるのを目撃しており、エンティティとの複雑な推論とドキュメント全体への言及が必要である。 本稿では,文書情報を大域的・局所的表現と文脈関係表現の両面から符号化することで,文書レベルのREに新たなモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-22T07:30:19Z)
• Enriching Documents with Compact, Representative, Relevant Knowledge Graphs [17.884816859418013]
  知識グラフ(KG)の顕著な応用は文書の充実である。 既存のメソッドは、背景KG内のエンティティの参照を特定し、エンティティタイプと直接関係を持つドキュメントを豊かにする。 対象とするエンティティの集合間の間接的関係をより表現的に表現できるエンティティ関係部分グラフ(ERG)を計算します。
  論文  参考訳（メタデータ） (2020-05-01T00:18:31Z)

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。