論文の概要: Open Information Extraction from 2007 to 2022 -- A Survey
- arxiv url: http://arxiv.org/abs/2208.08690v1
- Date: Thu, 18 Aug 2022 08:03:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:27:43.783203
- Title: Open Information Extraction from 2007 to 2022 -- A Survey
- Title(参考訳): 2007年から2022年までのオープン情報抽出 -調査-
- Authors: Pai Liu, Wenyang Gao, Wenjie Dong, Songfang Huang, Yue Zhang
- Abstract要約: 本調査では,2007年から2022年までのオープン情報抽出技術について紹介し,新しいモデルに着目した。
近年のOIE技術の発展に対応するため,情報の観点からの新たな分類手法を提案する。
- 参考スコア(独自算出の注目度): 21.382430482407393
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Open information extraction is an important NLP task that targets extracting
structured information from unstructured text without limitations on the
relation type or the domain of the text. This survey paper covers open
information extraction technologies from 2007 to 2022 with a focus on new
models not covered by previous surveys. We propose a new categorization method
from the source of information perspective to accommodate the development of
recent OIE technologies. In addition, we summarize three major approaches based
on task settings as well as current popular datasets and model evaluation
metrics. Given the comprehensive review, several future directions are shown
from datasets, source of information, output form, method, and evaluation
metric aspects.
- Abstract(参考訳): オープン情報抽出は、テキストの関連タイプやドメインに制限なく、構造化されていないテキストから構造化情報を抽出することを目的とした重要なnlpタスクである。
本調査では,2007年から2022年までのオープンな情報抽出技術について紹介し,従来の調査対象外の新モデルに焦点を当てた。
近年のOIE技術の発展に対応するため,情報の観点からの新たな分類手法を提案する。
さらに、タスク設定に基づく3つの主要なアプローチと、現在の一般的なデータセットとモデル評価メトリクスを要約する。
包括的なレビューをすると、データセット、情報ソース、出力フォーム、方法、評価メトリックの側面から、いくつかの将来の方向性が示されます。
関連論文リスト
- A Survey on Data Selection for Language Models [151.6210632830082]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳(メタデータ) (2024-02-26T18:54:35Z) - Structured Entity Extraction Using Large Language Models [54.53348483973769]
大規模言語モデル(LLM)は、構造化されていないテキストから構造化された情報を抽出する上で重要な役割を果たす。
本稿では,構造化エンティティ抽出における現行手法の課題と限界について考察する。
本研究では,LLMのパワーを有効・効率的に活用する新しいモデルを提案する。
論文 参考訳(メタデータ) (2024-02-06T22:15:09Z) - Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。
そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
論文 参考訳(メタデータ) (2023-12-21T14:20:06Z) - Cluster Exploration using Informative Manifold Projections [0.0]
次元減少(DR)は、高次元データの視覚的探索の鍵となるツールの1つである。
本稿では,様々な事前知識に関連付けられた構造を抽出する情報埋め込みを生成する手法を提案する。
論文 参考訳(メタデータ) (2023-09-26T11:35:25Z) - Visual Information Extraction in the Wild: Practical Dataset and
End-to-end Solution [48.693941280097974]
視覚情報抽出(VIE)のためのカメラ画像からなる大規模データセットを提案する。
我々は,OCRの段階と情報抽出をエンド・ツー・エンドの学習方式で組み合わせた,エンド・ツー・エンドVIEのための新しいフレームワークを提案する。
提案したデータセット上で既存のVIEのエンド・ツー・エンド手法を評価し,これらの手法の性能がSROIEから提案したデータセットに相違があることを観察した。
論文 参考訳(メタデータ) (2023-05-12T14:11:47Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳(メタデータ) (2020-08-02T00:09:03Z) - Beyond Leaderboards: A survey of methods for revealing weaknesses in
Natural Language Inference data and models [6.998536937701312]
近年、表面的な手がかりのために自然言語推論(NLI)データセットを分析する論文が増えている。
この構造化された調査は、モデルとデータセットの報告された弱点を分類することで、進化する研究領域の概要を提供する。
論文 参考訳(メタデータ) (2020-05-29T17:55:57Z)
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。