論文の概要: A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach
- arxiv url: http://arxiv.org/abs/2211.10018v1
- Date: Fri, 18 Nov 2022 03:51:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:53:51.681783
- Title: A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach
- Title(参考訳): ハイパーリレーショナル抽出のためのデータセットとキューブフィリング手法
- Authors: Yew Ken Chia, Lidong Bing, Sharifah Mahani Aljunied, Luo Si and
Soujanya Poria
- Abstract要約: 本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。
既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。
テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
- 参考スコア(独自算出の注目度): 59.89749342550104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Relation extraction has the potential for large-scale knowledge graph
construction, but current methods do not consider the qualifier attributes for
each relation triplet, such as time, quantity or location. The qualifiers form
hyper-relational facts which better capture the rich and complex knowledge
graph structure. For example, the relation triplet (Leonard Parker, Educated
At, Harvard University) can be factually enriched by including the qualifier
(End Time, 1967). Hence, we propose the task of hyper-relational extraction to
extract more specific and complete facts from text. To support the task, we
construct HyperRED, a large-scale and general-purpose dataset. Existing models
cannot perform hyper-relational extraction as it requires a model to consider
the interaction between three entities. Hence, we propose CubeRE, a
cube-filling model inspired by table-filling approaches and explicitly
considers the interaction between relation triplets and qualifiers. To improve
model scalability and reduce negative class imbalance, we further propose a
cube-pruning method. Our experiments show that CubeRE outperforms strong
baselines and reveal possible directions for future research. Our code and data
are available at github.com/declare-lab/HyperRED.
- Abstract(参考訳): 関係抽出は大規模知識グラフ構築の可能性を秘めているが、現在の手法では時間、量、位置などの関係三重項の等式属性は考慮していない。
修飾子は、リッチで複雑な知識グラフ構造をよりよく捉えた超関係事実を形成する。
例えば、関係三重項 (Leonard Parker, Educated At, Harvard University) は、等化子(End Time, 1967)を含むことで実数的に豊かになる。
そこで本研究では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。
タスクをサポートするために、大規模で汎用的なデータセットであるhyperredを構築します。
既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。
そこで,テーブル充填法に触発された立方体充填モデルcubereを提案し,関係三重項と修飾子間の相互作用を明示的に検討する。
モデルのスケーラビリティを改善し,負のクラス不均衡を低減するため,さらに立方体刈り法を提案する。
実験の結果,CubeREは強いベースラインを上回り,今後の研究の方向性を明らかにすることができた。
コードとデータはgithub.com/declare-lab/HyperREDで利用可能です。
関連論文リスト
- Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect
Sentiment Triplet Extraction [63.0205418944714]
Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。
近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。
本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
論文 参考訳(メタデータ) (2023-12-18T12:46:09Z) - Combinatorial Complexes: Bridging the Gap Between Cell Complexes and
Hypergraphs [18.793940779717627]
ハイパーグラフとセルコンプレックスは,アプリケーションコンテキストによって異なる実用性を持つような,多彩な関係性を重視している,と我々は主張する。
これら2つの選択の相対的な利点について論じ、既存の集合型および階層的関係の共存を可能にする複素体の概念について詳述する。
論文 参考訳(メタデータ) (2023-12-15T03:04:28Z) - Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-10-26T08:36:39Z) - HyperFormer: Enhancing Entity and Relation Interaction for
Hyper-Relational Knowledge Graph Completion [25.399684403558553]
ハイパーリレーショナル知識グラフ(HKG)は、属性値の等式をトリプルに関連付けることによって、標準的な知識グラフを拡張する。
本稿では,三重項の実体,関係,等化子の内容をエンコードする局所レベルシーケンシャル情報を考慮したモデルであるHyperFormerを提案する。
論文 参考訳(メタデータ) (2023-08-12T09:31:43Z) - Shrinking Embeddings for Hyper-Relational Knowledge Graphs [42.23862602535092]
本稿では,これらのパターンを明示的にモデル化することを目的とした幾何学的ハイパーリレーショナルKG埋め込み手法であるemphShrinkEを提案する。
実験の結果、ShrinkEは3つのハイパーリレーショナルKGのベンチマークで優れていることが示された。
論文 参考訳(メタデータ) (2023-06-03T21:14:59Z) - Few-shot Link Prediction on N-ary Facts [70.8150181683017]
ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。
Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
論文 参考訳(メタデータ) (2023-05-10T12:44:00Z) - 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) - Learning Representations for Hyper-Relational Knowledge Graphs [35.380689788802776]
複数のアグリゲータを用いて超関係事実の表現を学習するフレームワークを設計する。
実験では、複数のデータセットにまたがるフレームワークの有効性を実証した。
フレームワークにおける各種コンポーネントの重要性を検証するためのアブレーション研究を行っている。
論文 参考訳(メタデータ) (2022-08-30T15:02:14Z) - RelationPrompt: Leveraging Prompts to Generate Synthetic Data for
Zero-Shot Relation Triplet Extraction [65.4337085607711]
ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。
入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。
本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
論文 参考訳(メタデータ) (2022-03-17T05:55:14Z)
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。