論文の概要: MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference, Temporal, Causal, and Subevent Relation Extraction

• arxiv url: http://arxiv.org/abs/2211.07342v1
• Date: Mon, 14 Nov 2022 13:34:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 17:39:58.424873
• Title: MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference, Temporal, Causal, and Subevent Relation Extraction
• Title（参考訳）: MAVEN-ERE:イベント参照・時間・因果関係抽出のための大規模統合データセット
• Authors: Xiaozhi Wang, Yulin Chen, Ning Ding, Hao Peng, Zimu Wang, Yankai Lin, Xu Han, Lei Hou, Juanzi Li, Zhiyuan Liu, Peng Li, Jie Zhou
• Abstract要約: アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。 103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。 実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 78.61546292830081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The diverse relationships among real-world events, including coreference, temporal, causal, and subevent relations, are fundamental to understanding natural languages. However, two drawbacks of existing datasets limit event relation extraction (ERE) tasks: (1) Small scale. Due to the annotation complexity, the data scale of existing datasets is limited, which cannot well train and evaluate data-hungry models. (2) Absence of unified annotation. Different types of event relations naturally interact with each other, but existing datasets only cover limited relation types at once, which prevents models from taking full advantage of relation interactions. To address these issues, we construct a unified large-scale human-annotated ERE dataset MAVEN-ERE with improved annotation schemes. It contains 103,193 event coreference chains, 1,216,217 temporal relations, 57,992 causal relations, and 15,841 subevent relations, which is larger than existing datasets of all the ERE tasks by at least an order of magnitude. Experiments show that ERE on MAVEN-ERE is quite challenging, and considering relation interactions with joint learning can improve performances. The dataset and source codes can be obtained from https://github.com/THU-KEG/MAVEN-ERE.
• Abstract（参考訳）: コア推論、時間的、因果関係、亜種関係を含む現実世界の出来事間の多様な関係は、自然言語を理解するのに不可欠である。 しかし、既存のデータセットの2つの欠点は、イベント関係抽出(ERE)タスクを制限している。 アノテーションの複雑さのため、既存のデータセットのデータスケールは限られており、データ・ハングモデルのトレーニングや評価がうまく行えない。 (2)統一アノテーションの欠如。 異なるタイプのイベントリレーションは自然に相互に相互作用するが、既存のデータセットは限定的なリレーションシップタイプのみを一度にカバーしているため、モデルがリレーションインタラクションを完全に活用できない。 これらの課題に対処するため、我々は、アノテーションスキームを改良した大規模な人間アノテーション付きEREデータセットMAVEN-EREを構築した。 103,193のイベントコリファレンスチェーン、1,216,217の時間関係、57,992の因果関係、15,841のサブイベント関係が含まれており、ereタスクの既存のデータセットよりも少なくとも1桁大きい。 実験の結果,MAVEN-ERE上のEREは極めて困難であり,共同学習との相互関係を考慮することで性能が向上することが示された。 データセットとソースコードはhttps://github.com/THU-KEG/MAVEN-EREから取得できる。

関連論文リスト

• Dynamically Updating Event Representations for Temporal Relation Classification with Multi-category Learning [35.27714529976667]
  時間的関係分類は、2つの言及間の時間的リンク(Tlink)の関係を特定するためのペアワイズタスクである。 本稿では,複数のTlinkカテゴリにまたがる動的イベント表現を管理するイベント中心モデルを提案する。 提案手法は,英語と日本語の両方のデータに基づいて,最先端のモデルと2つの転移学習ベースラインより優れている。
  論文  参考訳（メタデータ） (2023-10-31T07:41:24Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• Co-Occurrence Matters: Learning Action Relation for Temporal Action Localization [41.44022912961265]
  本稿では,行動間の共起関係を明示的にモデル化する新しい共起関係モジュール(CORM)を提案する。 視覚情報に加えて、クラスラベルのセマンティック埋め込みを利用して、共起関係をモデル化する。 提案手法は,高いマルチラベル関係モデリング能力を実現する。
  論文  参考訳（メタデータ） (2023-03-15T09:07:04Z)
• RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level Event Extraction [16.87868728956481]
  我々はRelation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存をモデル化できる新しいDEEフレームワークを提案する。 関連情報をさらに活用するために,個別のイベント関連予測タスクを導入し,マルチタスク学習方式を採用し,イベント抽出性能を明示的に向上する。
  論文  参考訳（メタデータ） (2022-06-07T15:11:42Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
  本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。 具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。 我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
  論文  参考訳（メタデータ） (2020-10-13T22:45:28Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)
• On Embeddings in Relational Databases [11.52782249184251]
  低次元埋め込みを用いた関係データベースにおけるエンティティの分散表現学習の問題に対処する。 近年の埋め込み学習法は,すべてのテーブルの完全結合をリレーショナル化し,知識グラフとして表すことにより,データベースの完全非正規化を考慮に入れたナイーブな手法である。 本稿では,テーブル内の列の基本的なセマンティクスを利用して表現を学習する上で,関係結合と潜時関係を用いて,より優れた方法論を実証する。
  論文  参考訳（メタデータ） (2020-05-13T17:21:27Z)

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。