論文の概要: Learning a General Clause-to-Clause Relationships for Enhancing Emotion-Cause Pair Extraction

• arxiv url: http://arxiv.org/abs/2208.13549v2
• Date: Tue, 30 Aug 2022 00:57:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 09:15:02.942937
• Title: Learning a General Clause-to-Clause Relationships for Enhancing Emotion-Cause Pair Extraction
• Title（参考訳）: 感情によるペア抽出の促進を目的とした一般的な節間関係の学習
• Authors: Hang Chen, Xinyu Yang, Xiang Li
• Abstract要約: 本稿ではEA-GATという新しい節レベルの符号化モデルを提案する。 E-GATは、異なる種類の節から情報を集約するように設計されている。 我々のアプローチは、中国語と英語のベンチマークコーパスに対する現在のアプローチに対して、大きな優位性を持っていることを示す。
• 参考スコア（独自算出の注目度）: 20.850786410336216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion-cause pair extraction (ECPE) is an emerging task aiming to extract potential pairs of emotions and corresponding causes from documents. Previous approaches have focused on modeling the pair-to-pair relationship and achieved promising results. However, the clause-to-clause relationship, which fundamentally symbolizes the underlying structure of a document, has still been in its research infancy. In this paper, we define a novel clause-to-clause relationship. To learn it applicably, we propose a general clause-level encoding model named EA-GAT comprising E-GAT and Activation Sort. E-GAT is designed to aggregate information from different types of clauses; Activation Sort leverages the individual emotion/cause prediction and the sort-based mapping to propel the clause to a more favorable representation. Since EA-GAT is a clause-level encoding model, it can be broadly integrated with any previous approach. Experimental results show that our approach has a significant advantage over all current approaches on the Chinese and English benchmark corpus, with an average of $2.1\%$ and $1.03\%$.
• Abstract（参考訳）: 感情原因ペア抽出(ECPE)は,潜在的な感情のペアとそれに対応する原因を文書から抽出することを目的とした,新たな課題である。 従来のアプローチはペア対ペア関係のモデリングに重点を置いており、有望な結果を得た。 しかし、文書の基盤構造を根本的に象徴する節間関係は、まだ研究の初期段階にある。 本稿では,新しい節間関係を定義する。 そこで本研究では,E-GAT と Activation Sort を組み合わせた EA-GAT という一般節レベルの符号化モデルを提案する。 E-GATは、異なる種類の節から情報を集約するために設計されており、Activation Sortは個々の感情/原因予測とソートベースのマッピングを利用して、節をより好ましい表現に伝達する。 EA-GATは節レベルの符号化モデルであるため、あらゆる従来のアプローチと広く統合することができる。 実験の結果、我々のアプローチは、中国と英語のベンチマークコーパスにおける現在のすべてのアプローチに対して、平均2.1\%$と1.03\%$という大きな利点があることがわかった。

関連論文リスト

• 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)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• Pair-Based Joint Encoding with Relational Graph Convolutional Networks for Emotion-Cause Pair Extraction [25.101027960035147]
  特徴を特定の順序で逐次エンコードする手法。まず感情をエンコードし、節抽出に特徴を生じさせ、ペア抽出に組み合わせる。 これにより、後から抽出した特徴が前者と直接接触しないタスク間特徴相互作用の不均衡が生じる。 我々は新しいペアベースジョイントを提案する。 因果節をモデル化するために、結合特徴方式でペアと節を同時に生成するネットワーク。 実験により、PBNは中国のベンチマークコーパスで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-12-04T15:24:14Z)
• Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
  本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。 我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。 エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
  論文  参考訳（メタデータ） (2022-10-13T15:18:04Z)
• Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias in Emotion-Cause Pair Extraction [23.93696773727978]
  Emotion-Cause Pair extract (ECPE)タスクは、文書から感情や原因をペアとして抽出することを目的としている。 既存のメソッドでは、隣接する節間の関係をキャプチャする固定サイズウィンドウが設定されている。 細粒度と粗粒度のセマンティック特徴を併用する新しい textbfMulti-textbfGranularity textbfSemantic textbfAware textbfGraph model (MGSAG) を提案する。
  論文  参考訳（メタデータ） (2022-05-04T15:39:46Z)
• Document-Level Relation Extraction with Sentences Importance Estimation and Focusing [52.069206266557266]
  文書レベルの関係抽出(DocRE)は、複数の文の文書から2つのエンティティ間の関係を決定することを目的としている。 我々はDocREのための文重要度スコアと文集中損失を設計するSIEF(Sentence Estimation and Focusing)フレームワークを提案する。 2つのドメインの実験結果から、SIEFは全体的なパフォーマンスを改善するだけでなく、DocREモデルをより堅牢にします。
  論文  参考訳（メタデータ） (2022-04-27T03:20:07Z)
• Eider: Evidence-enhanced Document-level Relation Extraction [56.71004595444816]
  文書レベルの関係抽出(DocRE)は、文書内のエンティティペア間の意味関係を抽出することを目的としている。 本稿では,共同関係と証拠抽出,エビデンス中心関係抽出(RE),抽出結果の融合からなる3段階のエビデンス強化DocREフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T09:43:16Z)
• Position Bias Mitigation: A Knowledge-Aware Graph Model for Emotion Cause Extraction [24.288475819004034]
  広く使われているCEデータセットは、注釈付き原因節の大多数が関連する感情節の直前にあるか、あるいは感情節自体である、というバイアスを呈している。 ECEの既存のモデルは、そのような相対的な位置情報を探索し、データセットバイアスに悩まされる傾向がある。 本稿では,相対的な位置情報がもはや原因節の指示的特徴ではない敵例を生成するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-07T11:14:58Z)
• Entity and Evidence Guided Relation Extraction for DocRED [33.69481141963074]
  この課題に対して,共同トレーニングフレームワークE2GRE(Entity and Evidence Guided Relation extract)を提案する。 事前訓練された言語モデル(例えばBERT, RoBERTa)への入力としてエンティティ誘導シーケンスを導入する。 これらのエンティティ誘導シーケンスは、事前訓練された言語モデル(LM)がエンティティに関連するドキュメントの領域に集中するのに役立ちます。 我々は最近リリースされた関係抽出のための大規模データセットDocREDに対するE2GREアプローチを評価した。
  論文  参考訳（メタデータ） (2020-08-27T17:41:23Z)
• Commonsense Evidence Generation and Injection in Reading Comprehension [57.31927095547153]
  本稿では,CEGI と命名された理解を読み取るためのコモンセンス・エビデンス・ジェネレーション・インジェクション・フレームワークを提案する。 この枠組みは、2種類の補助的コモンセンス証拠を包括的読解に注入し、機械に合理的思考能力を持たせる。 CosmosQAデータセットの実験では、提案されたCEGIモデルが現在の最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-11T16:31:08Z)

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。