論文の概要: A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers
- arxiv url: http://arxiv.org/abs/2306.02051v3
- Date: Mon, 24 Jun 2024 13:26:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 05:08:33.818937
- Title: A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers
- Title(参考訳): 関係抽出に関する総合的調査:最近の進歩と新たなフロンティア
- Authors: Xiaoyan Zhao, Yang Deng, Min Yang, Lingzhi Wang, Rui Zhang, Hong Cheng, Wai Lam, Ying Shen, Ruifeng Xu,
- Abstract要約: 関係抽出(RE)は、基礎となるコンテンツからエンティティ間の関係を識別する。
ディープニューラルネットワークはREの分野を支配しており、顕著な進歩を遂げている。
この調査は、現実世界のREシステムの課題に対処するための研究者の協力的な取り組みを促進することが期待されている。
- 参考スコア(独自算出の注目度): 76.51245425667845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Relation extraction (RE) involves identifying the relations between entities from underlying content. RE serves as the foundation for many natural language processing (NLP) and information retrieval applications, such as knowledge graph completion and question answering. In recent years, deep neural networks have dominated the field of RE and made noticeable progress. Subsequently, the large pre-trained language models have taken the state-of-the-art RE to a new level. This survey provides a comprehensive review of existing deep learning techniques for RE. First, we introduce RE resources, including datasets and evaluation metrics. Second, we propose a new taxonomy to categorize existing works from three perspectives, i.e., text representation, context encoding, and triplet prediction. Third, we discuss several important challenges faced by RE and summarize potential techniques to tackle these challenges. Finally, we outline some promising future directions and prospects in this field. This survey is expected to facilitate researchers' collaborative efforts to address the challenges of real-world RE systems.
- Abstract(参考訳): 関係抽出(RE)は、基礎となるコンテンツからエンティティ間の関係を識別する。
REは多くの自然言語処理(NLP)と知識グラフ補完や質問応答などの情報検索アプリケーションの基礎として機能する。
近年、深層ニューラルネットワークはREの分野を支配しており、顕著な進歩を遂げている。
その後、大規模な事前訓練された言語モデルは、最先端のREを新しいレベルに引き上げた。
この調査は、REのための既存のディープラーニング技術に関する包括的なレビューを提供する。
まず、データセットや評価指標を含むREリソースを紹介します。
第2に,既存の著作をテキスト表現,文脈符号化,三重項予測という3つの視点から分類する新たな分類法を提案する。
第3に、REが直面しているいくつかの重要な課題について議論し、これらの課題に取り組むための潜在的なテクニックを要約する。
最後に、この分野における将来的な方向性と展望について概説する。
この調査は、現実世界のREシステムの課題に対処するための研究者の協力的な取り組みを促進することが期待されている。
関連論文リスト
- A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions [0.0]
RAGは、検索機構と生成言語モデルを組み合わせることで、出力の精度を高める。
近年の研究では, 検索効率向上のための新しい手法が注目されている。
RAGモデルの堅牢性向上に焦点をあてた今後の研究方向性が提案されている。
論文 参考訳(メタデータ) (2024-10-03T22:29:47Z) - Federated Learning for Generalization, Robustness, Fairness: A Survey
and Benchmark [55.898771405172155]
フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。
我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
論文 参考訳(メタデータ) (2023-11-12T06:32:30Z) - A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。
この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる
本調査では,I-CMRの3段階分類法について概説する。
論文 参考訳(メタデータ) (2023-09-05T05:06:48Z) - QontSum: On Contrasting Salient Content for Query-focused Summarization [22.738731393540633]
クエリ中心の要約(QFS)は、特定のクエリに対処する要約を生成する自然言語処理において難しいタスクである。
本稿では,GARにおけるQFSの役割について述べる。
コントラスト学習を利用したQFSの新しい手法であるQontSumを提案する。
論文 参考訳(メタデータ) (2023-07-14T19:25:35Z) - An Overview of Distant Supervision for Relation Extraction with a Focus
on Denoising and Pre-training Methods [0.0]
関係抽出は自然言語処理の基本課題である。
RE法の歴史は、パターンベースRE、統計ベースRE、ニューラルベースRE、大規模言語モデルベースREの4つのフェーズに大別できる。
論文 参考訳(メタデータ) (2022-07-17T21:02:04Z) - Summarization as Indirect Supervision for Relation Extraction [23.98136192661566]
本稿では,関係抽出(RE)を要約式に変換するSuREを提案する。
我々は,要約タスクとREタスクの定式化を本質的に橋渡しする文・関係変換手法を開発した。
3つのデータセットの実験では、フルデータセットと低リソースの両方でSuREの有効性が示されている。
論文 参考訳(メタデータ) (2022-05-19T20:25:29Z) - Image-text Retrieval: A Survey on Recent Research and Development [58.060687870247996]
クロスモーダル画像テキスト検索(ITR)は、優れた研究価値と幅広い実世界の応用により、研究コミュニティへの関心が高まっている。
本稿では,ITRのアプローチに関する4つの視点から,包括的かつ最新の調査を行う。
論文 参考訳(メタデータ) (2022-03-28T13:00:01Z) - Deep Neural Network Based Relation Extraction: An Overview [2.8436446946726552]
関係抽出(RE)は自然言語処理(NLP)において重要な役割を果たします。
その目的は自然言語テキストからエンティティ間の意味関係を特定することである。
Deep Neural Networks (DNN) は RE のための最も普及した、信頼できる解決です。
論文 参考訳(メタデータ) (2021-01-06T07:53:05Z) - More Data, More Relations, More Context and More Openness: A Review and
Outlook for Relation Extraction [106.28192084309617]
人々はテキストから事実を抽出しようと長年取り組んできた。
Webテキストの爆発と新しい関係の出現により、人間の知識は劇的に増加しています。
我々はより強力な抽出(RE)に向けて有望な方向を示す。
論文 参考訳(メタデータ) (2020-04-07T08:15:21Z) - Multi-task Collaborative Network for Joint Referring Expression
Comprehension and Segmentation [135.67558811281984]
表現理解(REC)とセグメンテーション(RES)を併用した共同学習を実現するための新しいマルチタスク協調ネットワーク(MCN)を提案する。
MCNでは、RESはRECがよりよい言語ビジョンアライメントを達成するのに役立ち、RECはRESが参照者を見つけるのに役立ちます。
我々は,このマルチタスク・セットアップにおいて,一貫性エネルギー最大化 (Consistency Energy Maximization, CEM) と適応ソフト非局所抑制 (Adaptive Soft Non-Located Suppression, ASNLS) という2つのイノベーティブな設計による予測競合という重要な課題に対処する。
論文 参考訳(メタデータ) (2020-03-19T14:25:18Z)
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。