論文の概要: Knowledge-Enhanced Relation Extraction Dataset

• arxiv url: http://arxiv.org/abs/2210.11231v3
• Date: Tue, 25 Apr 2023 08:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 03:46:16.077758
• Title: Knowledge-Enhanced Relation Extraction Dataset
• Title（参考訳）: 知識強化関係抽出データセット
• Authors: Yucong Lin, Hongming Xiao, Jiani Liu, Zichao Lin, Keming Lu, Feifei Wang, Wei Wei
• Abstract要約: 現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。 知識強化関係抽出データセット(KERED)について紹介する。 KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
• 参考スコア（独自算出の注目度）: 8.612433805862619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, knowledge-enhanced methods leveraging auxiliary knowledge graphs have emerged in relation extraction, surpassing traditional text-based approaches. However, to our best knowledge, there is currently no public dataset available that encompasses both evidence sentences and knowledge graphs for knowledge-enhanced relation extraction. To address this gap, we introduce the Knowledge-Enhanced Relation Extraction Dataset (KERED). KERED annotates each sentence with a relational fact, and it provides knowledge context for entities through entity linking. Using our curated dataset, We compared contemporary relation extraction methods under two prevalent task settings: sentence-level and bag-level. The experimental result shows the knowledge graphs provided by KERED can support knowledge-enhanced relation extraction methods. We believe that KERED offers high-quality relation extraction datasets with corresponding knowledge graphs for evaluating the performance of knowledge-enhanced relation extraction methods. Our dataset is available at: \url{https://figshare.com/projects/KERED/134459}
• Abstract（参考訳）: 近年,補助知識グラフを利用した知識強化手法が,従来のテキストベースアプローチを超越した関係抽出に現れている。 しかし、我々の知る限り、現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。 このギャップに対処するために、知識強化関係抽出データセット(KERED)を導入する。 KEREDは各文に関係事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。 得られたデータセットを用いて,2つのタスク設定(文レベルとバッグレベル)で,同時代の関係抽出手法を比較した。 実験の結果,keredが提供する知識グラフは,知識エンハンスド関係抽出法をサポートできることがわかった。 我々は,kered が知識グラフを用いた良質な関係抽出データセットを提供し,知識拡張関係抽出手法の性能評価を行っていると考えている。 データセットは以下の通りである。 \url{https://figshare.com/projects/KERED/134459}

関連論文リスト

• Leveraging Knowledge Graph Embeddings to Enhance Contextual Representations for Relation Extraction [0.0]
  コーパススケールに事前学習した知識グラフを組み込んだ文レベルの文脈表現への関係抽出手法を提案する。 提案手法の有望かつ非常に興味深い結果を示す一連の実験を行った。
  論文  参考訳（メタデータ） (2023-06-07T07:15:20Z)
• HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
  本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。 重要な洞察は、単語ペア間の複雑な関連を活用することである。 実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
  論文  参考訳（メタデータ） (2023-05-07T14:57:42Z)
• 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)
• Scientific and Technological Text Knowledge Extraction Method of based on Word Mixing and GRU [25.00844482891488]
  知識抽出タスクは 構造化されていないテキストデータから 3つの関係を抽出する。 ピペリン」とは、名前付きエンティティ認識とエンティティ関係抽出を分離する手法である。 結合抽出(Joint extract)とは、ニューラルネットワークによって実装され、エンティティ認識と関係抽出を実現するためのエンド・ツー・エンドモデルである。
  論文  参考訳（メタデータ） (2022-03-31T14:52:35Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)
• Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference [42.255596963210564]
  KECIという名前の結合エンティティと関係抽出のための外部知識を利用する新しいフレームワークを提案する。 KeCIは、グローバルリレーショナル情報をローカル表現に統合することで、参照スパンをエンティティにリンクする集合的なアプローチを採用している。 実験の結果、このフレームワークは2つの異なるベンチマークデータセットで新しい最先端の成果を得られることが判明した。
  論文  参考訳（メタデータ） (2021-05-27T21:33:34Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Context-Enhanced Entity and Relation Embedding for Knowledge Graph Completion [2.580765958706854]
  マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。 実験の結果、AggrEは既存のモデルと競合していることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T09:20:42Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。