Fugu-MT 論文翻訳(概要): Pair-Based Joint Encoding with Relational Graph Convolutional Networks for Emotion-Cause Pair Extraction

論文の概要: Pair-Based Joint Encoding with Relational Graph Convolutional Networks for Emotion-Cause Pair Extraction

arxiv url: http://arxiv.org/abs/2212.01844v1
Date: Sun, 4 Dec 2022 15:24:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 15:18:22.885208
Title: Pair-Based Joint Encoding with Relational Graph Convolutional Networks for Emotion-Cause Pair Extraction
Title（参考訳）: リレーショナルグラフ畳み込みネットワークを用いた感情因果対抽出のためのペアベースジョイントエンコーディング
Authors: Junlong Liu, Xichen Shang, Qianli Ma
Abstract要約: 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。
参考スコア（独自算出の注目度）: 25.101027960035147
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Emotion-cause pair extraction (ECPE) aims to extract emotion clauses and corresponding cause clauses, which have recently received growing attention. Previous methods sequentially encode features with a specified order. They first encode the emotion and cause features for clause extraction and then combine them for pair extraction. This lead to an imbalance in inter-task feature interaction where features extracted later have no direct contact with the former. To address this issue, we propose a novel Pair-Based Joint Encoding (PBJE) network, which generates pairs and clauses features simultaneously in a joint feature encoding manner to model the causal relationship in clauses. PBJE can balance the information flow among emotion clauses, cause clauses and pairs. From a multi-relational perspective, we construct a heterogeneous undirected graph and apply the Relational Graph Convolutional Network (RGCN) to capture the various relationship between clauses and the relationship between pairs and clauses. Experimental results show that PBJE achieves state-of-the-art performance on the Chinese benchmark corpus.
Abstract（参考訳）: 感情誘発ペア抽出(ecpe)は、最近注目を集めている感情節と対応する原因節を抽出することを目的としている。以前のメソッドは、特徴を指定された順序でシーケンシャルにエンコードする。最初に感情をエンコードし、節抽出のための特徴を発生させ、それらを組み合わせてペア抽出を行う。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。そこで本研究では,節間の因果関係をモデル化するために,結合特徴符号化方式でペアと節を同時に生成するペア・ベース・ジョイント・エンコーディング(pbje)ネットワークを提案する。 PBJEは感情節間の情報の流れをバランスさせ、節とペアを引き起こすことができる。多関係性の観点から、不均一な非方向性グラフを構築し、RGCN(Relational Graph Convolutional Network)を用いて、節間の様々な関係とペアと節の関係をキャプチャする。実験の結果,PBJEは中国のベンチマークコーパスで最先端の性能を発揮することがわかった。

関連論文リスト

Emotion-cause pair extraction method based on multi-granularity information and multi-module interaction [0.6577148087211809]
感情に起因したペア抽出の目的は、感情の1対の節を抽出し、原因の節を抽出することである。既存のモデルは、サンプルの感情や原因による位置不均衡に適切に対処しない。本稿では,GRU,知識グラフ,変圧器モジュール間の共有相互作用に基づくエンドツーエンドマルチタスクモデル(MM-ECPE)を提案する。
論文参考訳（メタデータ） (2024-04-10T08:00:26Z)
Relation Rectification in Diffusion Model [64.84686527988809]
本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
論文参考訳（メタデータ） (2024-03-29T15:54:36Z)
Recognizing Conditional Causal Relationships about Emotions and Their Corresponding Conditions [37.16991100831717]
入力された感情と原因のペアが、異なる文脈下で有効な因果関係を持つかどうかを判断する新しいタスクを提案する。陰性サンプリングを用いて最終データセットを構築し、因果関係のない文書の数とバランスをとる。
論文参考訳（メタデータ） (2023-11-28T07:47:25Z)
Explaining Interactions Between Text Spans [50.70253702800355]
入力の異なる部分からのトークンのスパンに対する推論は、自然言語理解に不可欠である。 NLUタスク2つのタスク(NLIとFC)に対する人間間相互作用の説明データセットであるSpanExを紹介する。次に,複数の微調整された大言語モデルの決定過程を,スパン間の相互接続の観点から検討する。
論文参考訳（メタデータ） (2023-10-20T13:52:37Z)
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)
FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced Context-Aware Network [48.912196729711624]
Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
論文参考訳（メタデータ） (2023-01-19T16:31:13Z)
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)
Learning a General Clause-to-Clause Relationships for Enhancing Emotion-Cause Pair Extraction [20.850786410336216]
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。
論文参考訳（メタデータ） (2022-08-29T12:39:39Z)
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)
Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文参考訳（メタデータ） (2020-10-21T11:07:53Z)
Double Graph Based Reasoning for Document-level Relation Extraction [29.19714611415326]
文書レベルの関係抽出は、文書内のエンティティ間の関係を抽出することを目的としている。二重グラフを特徴とするグラフ集約と推論ネットワーク(GAIN)を提案する。公開データセットの実験であるDocREDは、GAINが以前の最先端技術よりも大幅なパフォーマンス改善(2.85 on F1)を達成したことを示している。
論文参考訳（メタデータ） (2020-09-29T03:41:01Z)

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。