論文の概要: An AMR-based Link Prediction Approach for Document-level Event Argument
Extraction
- arxiv url: http://arxiv.org/abs/2305.19162v1
- Date: Tue, 30 May 2023 16:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 15:15:50.077616
- Title: An AMR-based Link Prediction Approach for Document-level Event Argument
Extraction
- Title(参考訳): 文書レベルイベント引数抽出のためのamrに基づくリンク予測手法
- Authors: Yuqing Yang, Qipeng Guo, Xiangkun Hu, Yue Zhang, Xipeng Qiu, Zheng
Zhang
- Abstract要約: 文書レベルのイベント調停抽出(文書レベルEAE)のための抽象的意味表現(AMR)を導入した最近の研究動向
本研究では,AEをAMRグラフ上のリンク予測問題として再検討する。
本稿では,より少ない情報量のサブグラフやエッジタイプを圧縮し,スパン情報を統合し,同じ文書内の事象をハイライトする新たなグラフ構造であるTalored AMR Graph(TAG)を提案する。
- 参考スコア(独自算出の注目度): 51.77733454436013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works have introduced Abstract Meaning Representation (AMR) for
Document-level Event Argument Extraction (Doc-level EAE), since AMR provides a
useful interpretation of complex semantic structures and helps to capture
long-distance dependency. However, in these works AMR is used only implicitly,
for instance, as additional features or training signals. Motivated by the fact
that all event structures can be inferred from AMR, this work reformulates EAE
as a link prediction problem on AMR graphs. Since AMR is a generic structure
and does not perfectly suit EAE, we propose a novel graph structure, Tailored
AMR Graph (TAG), which compresses less informative subgraphs and edge types,
integrates span information, and highlights surrounding events in the same
document. With TAG, we further propose a novel method using graph neural
networks as a link prediction model to find event arguments. Our extensive
experiments on WikiEvents and RAMS show that this simpler approach outperforms
the state-of-the-art models by 3.63pt and 2.33pt F1, respectively, and do so
with reduced 56% inference time. The code is availabel at
https://github.com/ayyyq/TARA.
- Abstract(参考訳): 最近の研究は、ドキュメントレベルのイベント引数抽出(Doc-level Event Argument extract, EAE)のための抽象的意味表現(AMR)を導入している。
しかし、これらの作品では、AMRは暗黙的にのみ、例えば追加機能やトレーニング信号としてのみ使用される。
全ての事象構造がAMRから推測できるという事実により、この研究はAEをAMRグラフ上のリンク予測問題として再定義する。
AMRは汎用構造であり,EAEに完全に適合しないため,情報量が少ないサブグラフやエッジタイプを圧縮し,スパン情報を統合し,同じ文書内のイベントをハイライトする新たなグラフ構造であるTalored AMR Graph(TAG)を提案する。
さらに,TAGを用いて,リンク予測モデルとしてグラフニューラルネットワークを用いたイベント引数の探索手法を提案する。
WikiEvents と RAMS に関する広範な実験により、この単純なアプローチは最先端モデルの3.63pt と 2.33pt F1 をそれぞれ上回り、推論時間を 56% 削減した。
コードはhttps://github.com/ayyyq/TARAで利用可能である。
関連論文リスト
- AMR Parsing with Causal Hierarchical Attention and Pointers [54.382865897298046]
因果的階層的注意とポインタ機構を備えた新しいAMR解析と新しいモデルCHAPを導入する。
実験の結果, 5つのベンチマークのうち4つのベースラインモデルでは, 追加データがない場合に, ベースラインモデルよりも優れた結果が得られた。
論文 参考訳(メタデータ) (2023-10-18T13:44:26Z) - Leveraging Denoised Abstract Meaning Representation for Grammatical
Error Correction [53.55440811942249]
文法的誤り訂正(英: Grammatical Error Correction, GEC)とは、誤りのある文を文法的に正しい、意味的に一貫性のある、一貫性のある文に修正する作業である。
本稿では,AMRを付加知識として組み込んだSeq-to-seqモデルであるAMR-GECを提案する。
論文 参考訳(メタデータ) (2023-07-05T09:06:56Z) - Incorporating Graph Information in Transformer-based AMR Parsing [34.461828101932184]
LeakDistillはTransformerアーキテクチャの変更を探求するモデルとメソッドである。
トレーニング時に,単語とノードのアライメントを用いてグラフ構造情報をエンコーダに埋め込むことで,最先端のAMR解析が得られることを示す。
論文 参考訳(メタデータ) (2023-06-23T12:12:08Z) - AMRs Assemble! Learning to Ensemble with Autoregressive Models for AMR
Parsing [38.731641198934646]
アンサンブルモデルがSMATCH計量の弱点を利用してより高いスコアを得る方法を示すが、時にグラフが破損することがある。
本稿では,トランスフォーマーモデルに基づく2つの新しいアンサンブル戦略を提案する。
論文 参考訳(メタデータ) (2023-06-19T08:58:47Z) - Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。
予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。
そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文 参考訳(メタデータ) (2022-12-08T11:53:12Z) - A Two-Stream AMR-enhanced Model for Document-level Event Argument
Extraction [32.54105023345553]
表現強化抽出モデル(TSAR)を提案する。
TSARは文書を異なる視点から2ストリーム符号化モジュールでエンコードする。
AMR誘導相互作用モジュールは、文内特徴と文間特徴の両方をキャプチャする。
論文 参考訳(メタデータ) (2022-04-30T11:17:26Z) - Dynamic Semantic Graph Construction and Reasoning for Explainable
Multi-hop Science Question Answering [50.546622625151926]
マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。
a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
論文 参考訳(メタデータ) (2021-05-25T09:14:55Z) - Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text
Generation [56.73834525802723]
軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。
LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。
我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
論文 参考訳(メタデータ) (2020-10-09T06:03:46Z)
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。