論文の概要: Generative Entity-to-Entity Stance Detection with Knowledge Graph Augmentation

• arxiv url: http://arxiv.org/abs/2211.01467v1
• Date: Wed, 2 Nov 2022 20:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 13:08:40.915760
• Title: Generative Entity-to-Entity Stance Detection with Knowledge Graph Augmentation
• Title（参考訳）: 知識グラフ拡張によるエンティティ・エンティティ間スタンス検出
• Authors: Xinliang Frederick Zhang, Nick Beauchamp, Lu Wang
• Abstract要約: スタンス検出は通常、テキスト中の感情をターゲットエンティティに向けて予測するものとしてフレーム化される。 本稿では,スタンスを推定する際,実体間の相互作用を研究する必要性を強調した。 まず、まず、エンティティ・トゥ・エンタリティ(E2E)スタンス検出という新しいタスクを導入する。
• 参考スコア（独自算出の注目度）: 7.857310305816312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stance detection is typically framed as predicting the sentiment in a given text towards a target entity. However, this setup overlooks the importance of the source entity, i.e., who is expressing the opinion. In this paper, we emphasize the need for studying interactions among entities when inferring stances. We first introduce a new task, entity-to-entity (E2E) stance detection, which primes models to identify entities in their canonical names and discern stances jointly. To support this study, we curate a new dataset with 10,619 annotations labeled at the sentence-level from news articles of different ideological leanings. We present a novel generative framework to allow the generation of canonical names for entities as well as stances among them. We further enhance the model with a graph encoder to summarize entity activities and external knowledge surrounding the entities. Experiments show that our model outperforms strong comparisons by large margins. Further analyses demonstrate the usefulness of E2E stance detection for understanding media quotation and stance landscape, as well as inferring entity ideology.
• Abstract（参考訳）: スタンス検出は通常、対象エンティティに対する所定のテキストの感情を予測するものとして構成される。 しかし、この設定はソースエンティティ、すなわち意見を表明しているエンティティの重要性を見落としている。 本稿では,スタンスを推測する際に,実体間の相互作用を研究する必要性を強調する。 まず、新しいタスクであるentity-to-entity (e2e) のスタンス検出について紹介する。 本研究を支援するために,異なるイデオロギー傾向のニュース記事から文レベルでラベル付けされた10,619のアノテーションを用いた新しいデータセットをキュレートした。 本稿では,エンティティの正準名を生成するための新しい生成フレームワークと,それらの間のスタンスを提案する。 エンティティアクティビティとエンティティを取り巻く外部知識を要約するために、グラフエンコーダでモデルをさらに強化します。 実験により、我々のモデルは大きなマージンで強い比較値を上回ることが示された。 さらに、メディア引用やスタンスランドスケープの理解や、エンティティイデオロギーの推測にE2Eスタンス検出が有用であることを示す。

関連論文リスト

• Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
  より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。 GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
  論文  参考訳（メタデータ） (2024-04-02T04:27:54Z)
• A Generative Approach for Wikipedia-Scale Visual Entity Recognition [56.55633052479446]
  与えられたクエリ画像をWikipediaにある600万の既存エンティティの1つにマッピングするタスクに対処する。 本稿では,対象エンティティを識別する「意味的・識別的コード」の自動復号化を学習する,新しい生成エンティティ認識フレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-03-04T13:47:30Z)
• Named Entity Recognition Under Domain Shift via Metric Learning for Life Sciences [55.185456382328674]
  名前付きエンティティ認識モデルの拡張のための転写学習の適用性について検討する。 本モデルでは,(1)アノテートイベントからの知識を付加してエンティティ間の関係を確立するソースドメインにおけるエンティティグループ化,2) 対象ドメインにおけるエンティティの識別を擬似ラベリングとコントラスト学習に頼って,2つのドメイン内のエンティティ間の識別を強化する,という2つの段階で構成されている。
  論文  参考訳（メタデータ） (2024-01-19T03:49:28Z)
• Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
  この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。 視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。 人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
  論文  参考訳（メタデータ） (2023-03-16T00:06:28Z)
• Exploiting Unlabeled Data with Vision and Language Models for Object Detection [64.94365501586118]
  堅牢で汎用的なオブジェクト検出フレームワークを構築するには、より大きなラベルスペースとより大きなトレーニングデータセットへのスケーリングが必要である。 本稿では,近年の視覚と言語モデルで利用可能なリッチなセマンティクスを利用して,未ラベル画像中のオブジェクトのローカライズと分類を行う手法を提案する。 生成した擬似ラベルの価値を,オープン語彙検出と半教師付きオブジェクト検出の2つのタスクで示す。
  論文  参考訳（メタデータ） (2022-07-18T21:47:15Z)
• Learning Attention-based Representations from Multiple Patterns for Relation Prediction in Knowledge Graphs [2.4028383570062606]
  AEMPは、エンティティのコンテキスト情報を取得することによって、コンテキスト化された表現を学習するための新しいモデルである。 AEMPは、最先端の関係予測手法よりも優れるか、競合する。
  論文  参考訳（メタデータ） (2022-06-07T10:53:35Z)
• Knowledge-Rich Self-Supervised Entity Linking [58.838404666183656]
  Knowledge-RIch Self-Supervision(KRISSBERT$)は400万のUMLSエンティティのためのユニバーサルエンティティリンカーである。 提案手法はゼロショット法と少数ショット法を仮定し,利用可能であればエンティティ記述やゴールドレファレンスラベルを簡単に組み込むことができる。 ラベル付き情報を一切使わずに400万のUMLSエンティティのためのユニバーサルエンティティリンカである$tt KRISSBERT$を生成する。
  論文  参考訳（メタデータ） (2021-12-15T05:05:12Z)
• Unsupervised Belief Representation Learning in Polarized Networks with Information-Theoretic Variational Graph Auto-Encoders [26.640917190618612]
  偏極ネットワークにおける信念表現学習のための教師なしアルゴリズムを開発した。 ユーザとコンテンツアイテム(例えば、ユーザビューを表す投稿)の両方を、適切に区切られた潜在空間に投影することを学ぶ。 ユーザとコンテンツの潜在表現は、イデオロギー的傾きを定量化し、問題に対する姿勢を検出し、予測するために使用することができる。
  論文  参考訳（メタデータ） (2021-10-01T04:35:01Z)
• KGSynNet: A Novel Entity Synonyms Discovery Framework with Knowledge Graph [23.053995137917994]
  emphKGSynNetという新しいエンティティ同義語発見フレームワークを提案する。 具体的には、大規模なドメイン固有コーパスを用いて、参照やエンティティのサブワード埋め込みを事前訓練する。 固有設計のエンフュージョンゲートを用いて、エンティティの知識情報をセマンティックな特徴に適応的に吸収する。
  論文  参考訳（メタデータ） (2021-03-16T07:32:33Z)
• XREF: Entity Linking for Chinese News Comments with Supplementary Article Reference [19.811371589597382]
  本研究では,中国のニュースコメントに対するエンティティリンクの問題点について考察する。 本稿では、注意機構を利用して関連するコンテキストをピンポイントする新しいモデルXREFを提案する。 大規模未ラベルコーパスを利用した弱教師付きトレーニング手法を開発した。
  論文  参考訳（メタデータ） (2020-06-24T19:42:54Z)

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。