論文の概要: Relational Extraction on Wikipedia Tables using Convolutional and Memory Networks

• arxiv url: http://arxiv.org/abs/2307.05827v1
• Date: Tue, 11 Jul 2023 22:36:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 14:49:35.604357
• Title: Relational Extraction on Wikipedia Tables using Convolutional and Memory Networks
• Title（参考訳）: 畳み込みとメモリネットワークを用いたwikipedia表上の関係抽出
• Authors: Arif Shahriar, Rohan Saha, Denilson Barbosa
• Abstract要約: 関係抽出(Relation extract、RE)は、テキスト内のエンティティ間の関係を抽出するタスクである。 我々は、エンティティをエンコードするために、畳み込みニューラルネットワーク(CNN)とBidirectional-Long Short Term Memory(BiLSTM)ネットワークからなる新しいモデルを導入する。
• 参考スコア（独自算出の注目度）: 6.200672130699805
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Relation extraction (RE) is the task of extracting relations between entities in text. Most RE methods extract relations from free-form running text and leave out other rich data sources, such as tables. We explore RE from the perspective of applying neural methods on tabularly organized data. We introduce a new model consisting of Convolutional Neural Network (CNN) and Bidirectional-Long Short Term Memory (BiLSTM) network to encode entities and learn dependencies among them, respectively. We evaluate our model on a large and recent dataset and compare results with previous neural methods. Experimental results show that our model consistently outperforms the previous model for the task of relation extraction on tabular data. We perform comprehensive error analyses and ablation study to show the contribution of various components of our model. Finally, we discuss the usefulness and trade-offs of our approach, and provide suggestions for fostering further research.
• Abstract（参考訳）: 関係抽出(re)は、テキスト中のエンティティ間の関係を抽出するタスクである。 ほとんどのREメソッドは、自由形式の実行中のテキストから関係を抽出し、テーブルのような他のリッチなデータソースを除外する。 グラフ化されたデータにニューラル手法を適用する観点からREを探索する。 本稿では,CNN(Convolutional Neural Network)とBidirectional-Long Short Term Memory(BiLSTM)で構成される新しいモデルを紹介し,エンティティをエンコードし,それらの依存関係を学習する。 我々は,我々のモデルを大規模かつ最近のデータセットで評価し,従来のニューラル手法と比較した。 実験の結果,本モデルは表データにおける関係抽出のタスクにおいて,前モデルよりも一貫して優れていた。 本モデルにおける各種成分の寄与を示すため,包括的誤り解析およびアブレーション研究を行う。 最後に,本手法の有用性とトレードオフを議論し,さらなる研究の促進に向けた提案を行う。

関連論文リスト

• RelBench: A Benchmark for Deep Learning on Relational Databases [78.52438155603781]
  本稿では,グラフニューラルネットワークを用いたデータベース上でタスクを解くための公開ベンチマークであるRelBenchを紹介する。 私たちはRelBenchを使って、ディープラーニングインフラストラクチャに関する初の総合的な研究を行っています。 RDLは、人間の作業量を1桁以上削減しながら、より良く学習する。
  論文  参考訳（メタデータ） (2024-07-29T14:46:13Z)
• PCRED: Zero-shot Relation Triplet Extraction with Potential Candidate Relation Selection and Entity Boundary Detection [11.274924966891842]
  ゼロショット関係三重項抽出(ZeroRTE)は、非構造化テキストから関係三重項を抽出することを目的としている。 従来の最先端の手法は、事前訓練された言語モデルを利用して、追加のトレーニングサンプルとしてデータを生成することで、この困難なタスクを処理する。 我々は,この課題を新たな視点から解決し,候補関係選択とエンティティ境界検出を併用した PCRED for ZeroRTE という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-11-26T04:27:31Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)
• 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)
• Explore BiLSTM-CRF-Based Models for Open Relation Extraction [5.7380564196163855]
  我々は、双方向LSTM-CRF(BiLSTM-CRF)ニューラルネットワークと異なる文脈の単語埋め込み法に基づく複数のOpen REモデルを開発した。 タグ付け方式, 単語埋め込み方式, BiLSTM-CRF ネットワークの最適組み合わせを選択し, 複数関係文から抽出する顕著な能力を持つオープンREモデルを実現する。
  論文  参考訳（メタデータ） (2021-04-26T03:37:22Z)
• Joint Extraction of Entity and Relation with Information Redundancy Elimination [0.0]
  本稿では,冗長な情報の問題と,エンティティと関係抽出モデルの重なり合う関係を解くための共同抽出モデルを提案する。 このモデルは、関係のない情報を生成することなく、複数の関連エンティティを直接抽出することができる。 また、文をモデル化する繰り返しユニットの能力を高めるために、LSTMという名前のリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-27T05:47:26Z)
• Named Entity Recognition and Relation Extraction using Enhanced Table Filling by Contextualized Representations [14.614028420899409]
  提案手法は,複雑な手作り特徴やニューラルネットワークアーキテクチャを伴わずに,エンティティ参照と長距離依存関係の表現を計算する。 我々はまた、歴史に基づく予測や検索戦略に頼ることなく、関係ラベルを一度に予測するためにテンソルドット積を適用する。 その単純さにもかかわらず、実験の結果、提案手法はCoNLL04とACE05の英語データセット上で最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-15T04:58:23Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。