論文の概要: Zero-Shot Dialogue Relation Extraction by Relating Explainable Triggers and Relation Names

• arxiv url: http://arxiv.org/abs/2306.06141v1
• Date: Fri, 9 Jun 2023 07:10:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 20:59:46.882431
• Title: Zero-Shot Dialogue Relation Extraction by Relating Explainable Triggers and Relation Names
• Title（参考訳）: 説明可能なトリガーと関係名の関係によるゼロショット対話関係抽出
• Authors: Ze-Song Xu, Yun-Nung Chen
• Abstract要約: 本稿では,トリガを捕捉し,これまで見つからなかった関係名に関連付ける能力を活用する手法を提案する。 ベンチマークのDialogREデータセットを用いた実験により,提案モデルが目視関係と目視関係の両面で有意な改善を達成できることが示された。
• 参考スコア（独自算出の注目度）: 28.441725610692714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing dialogue relation extraction (DRE) systems often requires a large amount of labeled data, which can be costly and time-consuming to annotate. In order to improve scalability and support diverse, unseen relation extraction, this paper proposes a method for leveraging the ability to capture triggers and relate them to previously unseen relation names. Specifically, we introduce a model that enables zero-shot dialogue relation extraction by utilizing trigger-capturing capabilities. Our experiments on a benchmark DialogRE dataset demonstrate that the proposed model achieves significant improvements for both seen and unseen relations. Notably, this is the first attempt at zero-shot dialogue relation extraction using trigger-capturing capabilities, and our results suggest that this approach is effective for inferring previously unseen relation types. Overall, our findings highlight the potential for this method to enhance the scalability and practicality of DRE systems.
• Abstract（参考訳）: 対話関係抽出(DRE)システムを開発するには、しばしば大量のラベル付きデータを必要とする。 本稿では, 拡張性の向上と多種多様な関係抽出のサポートを目的として, トリガを捕捉し, 従来から知られていなかった関係名に関連付ける手法を提案する。 具体的には,トリガキャプチャ機能を利用したゼロショット対話関係抽出モデルを提案する。 ベンチマークのDialogREデータセットを用いた実験により,提案モデルが目視関係と目視関係の両面で有意な改善を達成できることが示された。 トリガーキャプチャ機能を用いたゼロショット対話関係抽出の試みは,今回が初めてであり,本手法が従来見つからなかった関係型を推定するのに有効であることが示唆された。 全体として,本手法がDREシステムのスケーラビリティと実用性を向上させる可能性を強調した。

関連論文リスト

• Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
  本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。 我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
  論文  参考訳（メタデータ） (2023-05-25T15:26:13Z)
• Multi-grained Hypergraph Interest Modeling for Conversational Recommendation [75.65483522949857]
  複雑な履歴データの下でユーザの興味を捉えるために, マルチグラデーション・ハイパーグラフ・インフォメーション・モデリング手法を提案する。 提案手法では,まず,ユーザの過去の対話セッションをモデル化し,セッションベースハイパーグラフを作成するためにハイパーグラフ構造を用いる。 さらに,2種類のハイパーグラフに対して多粒度ハイパーグラフの畳み込みを行い,拡張表現を用いて関心を意識したCRSを開発する。
  論文  参考訳（メタデータ） (2023-05-04T13:13:44Z)
• TLAG: An Informative Trigger and Label-Aware Knowledge Guided Model for Dialogue-based Relation Extraction [43.98737106776455]
  対話に基づく関係抽出(DRE)は、対話で言及される引数ペアの関係型を予測することを目的としている。 本稿では,トリガとラベル認識の知識をフル活用して関係抽出を導くTLAGを提案する。 DialogREデータセットの実験結果から,私たちのTLAGはベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-03-30T03:10:28Z)
• HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised Relation Extraction [60.80849503639896]
  非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文から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。 本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。 2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-05-04T17:56:48Z)
• CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument Extraction [22.746071199667146]
  Implicit Event argument extract (EAE) は、文書に散らばる可能性のある引数を特定することを目的としている。 本稿では,4つの学習段階によって暗黙的EAEを解消する,カリキュラム学習に基づくプロンプトチューニング(CUP)手法を提案する。 さらに,事前学習した言語モデルから関連する知識を引き出すために,プロンプトベースのエンコーダデコーダモデルを統合する。
  論文  参考訳（メタデータ） (2022-05-01T16:03:54Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
  この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。 本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。 約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
  論文  参考訳（メタデータ） (2021-09-10T22:30:48Z)
• TREND: Trigger-Enhanced Relation-Extraction Network for Dialogues [37.883583724569554]
  本稿では,関係抽出を改善するためのトリガの同定を学習するマルチタスクBERTモデルTRENDを提案する。 実験結果から,提案手法がベンチマークデータセットの最先端性を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-31T13:04:08Z)
• A Question-answering Based Framework for Relation Extraction Validation [18.132034601588742]
  我々は、関係抽出の性能をさらに向上させる上で、検証は重要かつ有望な方向であると論じる。 関係抽出モデルから結果を検証するための新しい質問応答ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-07T06:08:36Z)

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。