論文の概要: GCRE-GPT: A Generative Model for Comparative Relation Extraction

• arxiv url: http://arxiv.org/abs/2303.08601v2
• Date: Thu, 27 Jun 2024 06:34:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 20:35:54.710458
• Title: GCRE-GPT: A Generative Model for Comparative Relation Extraction
• Title（参考訳）: GCRE-GPT : 比較関係抽出のための生成モデル
• Authors: Yequan Wang, Hengran Zhang, Aixin Sun, Xuying Meng,
• Abstract要約: 比較テキストが与えられた場合、比較関係抽出は比較対象と比較対象のアスペクトを抽出することを目的としている。 既存のソリューションはこのタスクをシーケンスラベリングタスクとして定式化し、ターゲットとアスペクトを抽出する。 比較関係は生成モデルにより直接的に高精度に抽出できることを示す。
• 参考スコア（独自算出の注目度）: 47.69464882382656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given comparative text, comparative relation extraction aims to extract two targets (\eg two cameras) in comparison and the aspect they are compared for (\eg image quality). The extracted comparative relations form the basis of further opinion analysis.Existing solutions formulate this task as a sequence labeling task, to extract targets and aspects. However, they cannot directly extract comparative relation(s) from text. In this paper, we show that comparative relations can be directly extracted with high accuracy, by generative model. Based on GPT-2, we propose a Generation-based Comparative Relation Extractor (GCRE-GPT). Experiment results show that \modelname achieves state-of-the-art accuracy on two datasets.
• Abstract（参考訳）: 比較テキストが与えられた場合、比較関係抽出は、比較対象(2つのカメラ)と比較対象(2つの画像品質)を抽出することを目的としている。 既存のソリューションはこのタスクをシーケンスラベリングタスクとして定式化し、ターゲットとアスペクトを抽出する。 しかし、テキストから比較関係を直接抽出することはできない。 本稿では,生成モデルを用いて,比較関係を直接高精度に抽出できることを示す。 GPT-2に基づくGCRE-GPT(Generation-based Comparison Relation Extractor)を提案する。 実験結果から, 2つのデータセットに対して, \modelname が最先端の精度を達成できることが示唆された。

関連論文リスト

• Modeling Comparative Logical Relation with Contrastive Learning for Text Generation [43.814189025925096]
  比較論理関係生成(CLRG)と呼ばれる新しいD2Tタスクを導入する。 比較論理(CoLo)に基づくテキスト生成手法を提案する。 本手法は, 自動評価と人的評価の両方において, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-06-13T13:25:50Z)
• Image Similarity using An Ensemble of Context-Sensitive Models [2.9490616593440317]
  ラベル付きデータに基づく画像類似性モデルの構築と比較に,より直感的なアプローチを提案する。 画像空間(R,A,B)におけるスパースサンプリングの課題と,文脈に基づくデータを用いたモデルにおけるバイアスに対処する。 実験の結果,構築したアンサンブルモデルは,最高の文脈依存モデルよりも5%高い性能を示した。
  論文  参考訳（メタデータ） (2024-01-15T20:23:05Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Sequence Generation with Label Augmentation for Relation Extraction [17.38986046630852]
  本稿では,関係抽出のためのラベル拡張自動モデルであるRelation extract with Label Augmentation (RELA)を提案する。 実験の結果,RELAは4つのREデータセットの従来の手法と比較して,競争力のある結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-29T11:28:05Z)
• Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
  本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。 実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2022-03-24T09:24:39Z)
• Relation Regularized Scene Graph Generation [206.76762860019065]
  SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。 本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。 我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
  論文  参考訳（メタデータ） (2022-02-22T11:36:49Z)
• Learning to Synthesize Data for Semantic Parsing [57.190817162674875]
  本稿では,プログラムの構成をモデル化し,プログラムを発話にマップする生成モデルを提案する。 PCFGと事前学習されたBARTの簡易性により,既存のデータから効率的に生成モデルを学習することができる。 GeoQuery と Spider の標準ベンチマークで解析する text-to-Query の in-domain と out-of-domain の両方で、この手法を評価します。
  論文  参考訳（メタデータ） (2021-04-12T21:24:02Z)
• Comparative Analysis of N-gram Text Representation on Igbo Text Document Similarity [0.0]
  情報技術の進歩は、オンラインのリソースやニュース記事などのテキスト作成において、Igboの使用を奨励している。 ユークリッド類似度尺度を用いて、2つの単語ベースのn-gramテキスト表現(ユニグラムとビッグラム)モデルで表されるIgboテキスト文書間の類似度を決定する。
  論文  参考訳（メタデータ） (2020-04-01T12:24:47Z)
• Preference Modeling with Context-Dependent Salient Features [12.403492796441434]
  本稿では,各項目の特徴について,ノイズの多いペアワイド比較から,項目集合のランキングを推定する問題を考察する。 私たちのキーとなる観察は、他の項目から分離して比較した2つの項目は、機能の健全なサブセットのみに基づいて比較できるということです。
  論文  参考訳（メタデータ） (2020-02-22T04:05:16Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。