論文の概要: Think Rationally about What You See: Continuous Rationale Extraction for Relation Extraction

• arxiv url: http://arxiv.org/abs/2305.03503v1
• Date: Tue, 2 May 2023 03:52:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-14 21:16:34.988281
• Title: Think Rationally about What You See: Continuous Rationale Extraction for Relation Extraction
• Title（参考訳）: 合理的に考える - 関係抽出のための連続的合理性抽出
• Authors: Xuming Hu, Zhaochen Hong, Chenwei Zhang, Irwin King, Philip S. Yu
• Abstract要約: 関係抽出は、2つの実体の文脈に応じてポテンシャル関係を抽出することを目的としている。 本稿では2つの連続性と疎性係数を利用するRE2という新しい論理抽出フレームワークを提案する。 4つのデータセットの実験は、RE2がベースラインを超えたことを示している。
• 参考スコア（独自算出の注目度）: 86.90265683679469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation extraction (RE) aims to extract potential relations according to the context of two entities, thus, deriving rational contexts from sentences plays an important role. Previous works either focus on how to leverage the entity information (e.g., entity types, entity verbalization) to inference relations, but ignore context-focused content, or use counterfactual thinking to remove the model's bias of potential relations in entities, but the relation reasoning process will still be hindered by irrelevant content. Therefore, how to preserve relevant content and remove noisy segments from sentences is a crucial task. In addition, retained content needs to be fluent enough to maintain semantic coherence and interpretability. In this work, we propose a novel rationale extraction framework named RE2, which leverages two continuity and sparsity factors to obtain relevant and coherent rationales from sentences. To solve the problem that the gold rationales are not labeled, RE2 applies an optimizable binary mask to each token in the sentence, and adjust the rationales that need to be selected according to the relation label. Experiments on four datasets show that RE2 surpasses baselines.
• Abstract（参考訳）: 関係抽出(RE)は2つの実体の文脈に応じて潜在的関係を抽出することを目的としており、文から合理的な文脈を導出することが重要な役割を果たす。 先行研究は、エンティティ情報(例えば、エンティティタイプ、エンティティの動詞化)を推論関係に活用する方法に焦点をあてるが、コンテキスト中心のコンテンツを無視したり、あるいは、エンティティ内の潜在的な関係に対するモデルのバイアスを取り除くために反ファクト的思考を使う。 したがって、関連コンテンツの保存や、文からノイズを取り除いたりすることは重要な課題である。 さらに、保持されたコンテンツはセマンティックコヒーレンスと解釈可能性を維持するのに十分な流動性を持つ必要がある。 本研究では,文から意味的かつ一貫性のある有理性を得るために2つの連続性と疎性因子を利用するRE2という新しい有理性抽出フレームワークを提案する。 金の有理数にラベルが付けられない問題を解決するため、RE2は文中の各トークンに最適化可能な二項マスクを適用し、関係ラベルに従って選択すべき有理数を調整する。 4つのデータセットの実験は、RE2がベースラインを超えたことを示している。

関連論文リスト

• Entity-Aware Self-Attention and Contextualized GCN for Enhanced Relation Extraction in Long Sentences [5.453850739960517]
  本稿では,入力文の構文構造とシーケンスの意味的文脈を効率的に組み込んだ,エンティティを意識した自己意図型GCN(ESC-GCN)を提案する。 本モデルでは,既存の依存性ベースモデルやシーケンスベースモデルと比較して,パフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2024-09-15T10:50:51Z)
• How Fragile is Relation Extraction under Entity Replacements? [70.34001923252711]
  関係抽出(RE)は、テキストコンテキストからエンティティ名間の関係を抽出することを目的としている。 既存の研究によると、REはエンティティ名パターンをモデル化し、テキストコンテキストを無視しながらRE予測を行う。 これは、REモデルはエンティティの置換に対して堅牢か?」という疑問を提起する動機になります。
  論文  参考訳（メタデータ） (2023-05-22T23:53:32Z)
• FGSI: Distant Supervision for Relation Extraction method based on Fine-Grained Semantic Information [2.6587175537360137]
  文内のキーセマンティック情報は、エンティティの関係抽出において重要な役割を果たす。 本稿では,文内のキーセマンティック情報が,エンティティ関係抽出において重要な役割を果たすという仮説を提案する。 提案した関係抽出モデルは、利用可能な正のセマンティック情報を完全に活用することができる。
  論文  参考訳（メタデータ） (2023-02-04T03:30:07Z)
• Should We Rely on Entity Mentions for Relation Extraction? Debiasing Relation Extraction with Counterfactual Analysis [60.83756368501083]
  文レベルの関係抽出のためのCORE(Counterfactual Analysis based Relation extract)デバイアス法を提案する。 我々のCORE法は,トレーニングプロセスを変更することなく,推論中に既存のREシステムを劣化させるモデルに依存しない。
  論文  参考訳（メタデータ） (2022-05-08T05:13:54Z)
• A Trigger-Sense Memory Flow Framework for Joint Entity and Relation Extraction [5.059120569845976]
  結合エンティティと関係抽出のためのTriMF(Trigger-Sense Memory Flow Framework)を提案する。 エンティティ認識と関係抽出タスクで学習したカテゴリ表現を記憶するためのメモリモジュールを構築する。 また,エンティティ認識と関係抽出の双方向インタラクションを強化するために,多レベルメモリフロー注目機構を設計する。
  論文  参考訳（メタデータ） (2021-01-25T16:24:04Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• Measuring Association Between Labels and Free-Text Rationales [60.58672852655487]
  解釈可能なNLPでは、説明された例に対するモデルの意思決定プロセスを反映した忠実な理性が必要です。 情報抽出型タスクに対する忠実な抽出合理化のための既存のモデルであるパイプラインは、自由テキスト合理化を必要とするタスクに確実に拡張されないことを示す。 我々は、信頼が確立されていない自由文合理化のための、広く使われている高性能モデルのクラスである、共同予測と合理化のモデルに目を向ける。
  論文  参考訳（メタデータ） (2020-10-24T03:40:56Z)
• 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)

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。