論文の概要: Modeling Structural Similarities between Documents for Coherence Assessment with Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2306.06472v1
• Date: Sat, 10 Jun 2023 16:08:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 18:56:33.985809
• Title: Modeling Structural Similarities between Documents for Coherence Assessment with Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークを用いたコヒーレンス評価のための文書間の構造的類似性のモデル化
• Authors: Wei Liu, Xiyan Fu, Michael Strube
• Abstract要約: コヒーレンス(英語版)はテキスト品質の重要な側面であり、コヒーレンスモデリングに様々なアプローチが適用されている。 文書間の構造的類似性を捉えることができるGCNに基づくコヒーレンスモデルについて検討する。 提案手法を2つのタスクで評価し,談話コヒーレンスと自動エッセイスコアを評価する。
• 参考スコア（独自算出の注目度）: 17.853960157501742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coherence is an important aspect of text quality, and various approaches have been applied to coherence modeling. However, existing methods solely focus on a single document's coherence patterns, ignoring the underlying correlation between documents. We investigate a GCN-based coherence model that is capable of capturing structural similarities between documents. Our model first creates a graph structure for each document, from where we mine different subgraph patterns. We then construct a heterogeneous graph for the training corpus, connecting documents based on their shared subgraphs. Finally, a GCN is applied to the heterogeneous graph to model the connectivity relationships. We evaluate our method on two tasks, assessing discourse coherence and automated essay scoring. Results show that our GCN-based model outperforms all baselines, achieving a new state-of-the-art on both tasks.
• Abstract（参考訳）: コヒーレンスはテキスト品質の重要な側面であり、コヒーレンスモデリングに様々なアプローチが適用されている。 しかし、既存の手法は文書間の関係を無視し、単一の文書のコヒーレンスパターンにのみフォーカスする。 文書間の構造的類似性を捉えることができるGCNに基づくコヒーレンスモデルについて検討する。 我々のモデルはまず各文書のグラフ構造を作成し、そこから異なるサブグラフパターンを抽出します。 次に、トレーニングコーパスのための異種グラフを構築し、共有サブグラフに基づいて文書を接続する。 最後に、ヘテロジニアスグラフにGCNを適用して接続関係をモデル化する。 提案手法を2つのタスクで評価し,談話コヒーレンスと自動エッセイスコアを評価する。 その結果、GCNベースのモデルはすべてのベースラインを上回り、両方のタスクで新しい最先端を実現しています。

関連論文リスト

• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Hypergraph based Understanding for Document Semantic Entity Recognition [65.84258776834524]
  我々は,ハイパグラフアテンションを利用したハイパグラフアテンション文書セマンティックエンティティ認識フレームワークHGAを構築し,エンティティ境界とエンティティカテゴリを同時に重視する。 FUNSD, CORD, XFUNDIE で得られた結果は,本手法が意味的エンティティ認識タスクの性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-09T14:35:49Z)
• Sparse Graph Representations for Procedural Instructional Documents [7.205864119886871]
  本稿では,文書ペアを有向かつ疎結合なJCIGとして表現することで,文書の類似性をモデル化する2つの手法を提案する。 スパース指向グラフモデルアーキテクチャは、シーケンシャルな情報を含まないベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-02-06T12:34:15Z)
• Enhancing Visually-Rich Document Understanding via Layout Structure Modeling [91.07963806829237]
  レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。 我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-08-15T13:53:52Z)
• Document-Level Relation Extraction with Sentences Importance Estimation and Focusing [52.069206266557266]
  文書レベルの関係抽出(DocRE)は、複数の文の文書から2つのエンティティ間の関係を決定することを目的としている。 我々はDocREのための文重要度スコアと文集中損失を設計するSIEF(Sentence Estimation and Focusing)フレームワークを提案する。 2つのドメインの実験結果から、SIEFは全体的なパフォーマンスを改善するだけでなく、DocREモデルをより堅牢にします。
  論文  参考訳（メタデータ） (2022-04-27T03:20:07Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Coarse-to-Fine Entity Representations for Document-level Relation Extraction [28.39444850200523]
  文書レベルの関係抽出(RE: Document-level Relation extract)は、文内および文間で表現される関係を抽出する必要がある。 最近の研究は、通常文書レベルの相互作用をキャプチャする文書レベルのグラフを構築するグラフベースの手法が有用なエンティティ表現を得ることができることを示している。 粗大な戦略を採用する textbfCoarse-to-textbfFine textbfEntity textbfRepresentation model (textbfCFER) を提案する。
  論文  参考訳（メタデータ） (2020-12-04T10:18:59Z)
• Neural Topic Modeling by Incorporating Document Relationship Graph [18.692100955163713]
  グラフトピックモデル(GTM)は、コーパスを文書関係グラフとして表現したGNNベースのニューラルトピックモデルである。 コーパス内の文書と単語はグラフ内のノードとなり、文書と単語の共起に基づいて接続される。
  論文  参考訳（メタデータ） (2020-09-29T12:45:55Z)
• Double Graph Based Reasoning for Document-level Relation Extraction [29.19714611415326]
  文書レベルの関係抽出は、文書内の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。 二重グラフを特徴とするグラフ集約と推論ネットワーク(GAIN)を提案する。 公開データセットの実験であるDocREDは、GAINが以前の最先端技術よりも大幅なパフォーマンス改善(2.85 on F1)を達成したことを示している。
  論文  参考訳（メタデータ） (2020-09-29T03:41:01Z)
• Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
  我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。 本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。 また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
  論文  参考訳（メタデータ） (2020-05-20T13:39:47Z)
• Reasoning with Latent Structure Refinement for Document-Level Relation Extraction [20.308845516900426]
  本稿では,潜在文書レベルグラフを自動的に誘導することにより,文間の関係推論を促進する新しいモデルを提案する。 具体的には、大規模文書レベルデータセット(DocRED)上でF1スコア59.05を達成する。
  論文  参考訳（メタデータ） (2020-05-13T13:36:09Z)

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。