論文の概要: CARE: Co-Attention Network for Joint Entity and Relation Extraction
- arxiv url: http://arxiv.org/abs/2308.12531v1
- Date: Thu, 24 Aug 2023 03:40:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 15:37:32.253320
- Title: CARE: Co-Attention Network for Joint Entity and Relation Extraction
- Title(参考訳): CARE: 共同エンティティと関係抽出のための共用ネットワーク
- Authors: Wenjun Kong and Yamei Xia
- Abstract要約: 共同エンティティと関係抽出(CARE)のためのコ・アテンション・ネットワークを提案する。
提案手法では,各サブタスクの異なる表現を学習し,機能の重複を回避する。
このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint entity and relation extraction is the fundamental task of information
extraction, consisting of two subtasks: named entity recognition and relation
extraction. Most existing joint extraction methods suffer from issues of
feature confusion or inadequate interaction between two subtasks. In this work,
we propose a Co-Attention network for joint entity and Relation Extraction
(CARE). Our approach involves learning separate representations for each
subtask, aiming to avoid feature overlap. At the core of our approach is the
co-attention module that captures two-way interaction between two subtasks,
allowing the model to leverage entity information for relation prediction and
vice versa, thus promoting mutual enhancement. Extensive experiments on three
joint entity-relation extraction benchmark datasets (NYT, WebNLG and SciERC)
show that our proposed model achieves superior performance, surpassing existing
baseline models.
- Abstract(参考訳): 統合エンティティと関係抽出は、名前付きエンティティ認識と関係抽出という2つのサブタスクからなる情報抽出の基本的なタスクである。
既存の関節抽出法の多くは、2つのサブタスク間の特徴混乱や不適切な相互作用の問題に悩まされている。
本研究では,共同エンティティと関係抽出(care)のための協調ネットワークを提案する。
提案手法では,各サブタスクの表現を個別に学習し,機能の重複を回避する。
提案手法のコアとなるのは,2つのサブタスク間の双方向相互作用をキャプチャするコアテンションモジュールである。
3つの共同エンティティ関係抽出ベンチマークデータセット(nyt, webnlg, scierc)に関する広範な実験により,提案モデルが既存のベースラインモデルよりも優れた性能を達成していることが示された。
関連論文リスト
- Similarity-based Memory Enhanced Joint Entity and Relation Extraction [3.9659135716762894]
文書レベルの共同エンティティと関係抽出は難解な情報抽出問題である。
タスク間の双方向メモリのような依存性を持つマルチタスク学習フレームワークを提案する。
実験により,提案手法が既存手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-07-14T12:26:56Z) - HIORE: Leveraging High-order Interactions for Unified Entity Relation
Extraction [85.80317530027212]
本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。
重要な洞察は、単語ペア間の複雑な関連を活用することである。
実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
論文 参考訳(メタデータ) (2023-05-07T14:57:42Z) - Towards Effective Multi-Task Interaction for Entity-Relation Extraction:
A Unified Framework with Selection Recurrent Network [4.477310325275069]
エンティティ関係抽出は、名前付きエンティティ認識(NER)と関係抽出(RE)を共同で解くことを目的とする
最近のアプローチでは、パイプライン方式で一方向のシーケンシャルな情報伝達を使用するか、共有エンコーダと二方向の暗黙的な相互作用を使用する。
本稿では,シーケンシャルな情報伝達と暗黙的な相互作用の両方の利点を組み合わせた,新規で統一されたカスケードフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-15T09:54:33Z) - 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) - An End-to-end Model for Entity-level Relation Extraction using
Multi-instance Learning [2.111790330664657]
本稿では,文書からのエンティティレベルの関係抽出のための共同モデルを提案する。
DocREDデータセットから最先端関係抽出結果を得る。
実験結果から,共同学習はタスク固有の学習と同等であるが,共有パラメータや学習手順によりより効率的であることが示唆された。
論文 参考訳(メタデータ) (2021-02-11T12:49:39Z) - A Trigger-Sense Memory Flow Framework for Joint Entity and Relation
Extraction [5.059120569845976]
結合エンティティと関係抽出のためのTriMF(Trigger-Sense Memory Flow Framework)を提案する。
エンティティ認識と関係抽出タスクで学習したカテゴリ表現を記憶するためのメモリモジュールを構築する。
また,エンティティ認識と関係抽出の双方向インタラクションを強化するために,多レベルメモリフロー注目機構を設計する。
論文 参考訳(メタデータ) (2021-01-25T16:24:04Z) - Cross-Supervised Joint-Event-Extraction with Heterogeneous Information
Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。
トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。
我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-10-13T11:51:17Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳(メタデータ) (2020-10-08T10:16:52Z) - Recurrent Interaction Network for Jointly Extracting Entities and
Classifying Relations [45.79634026256055]
対話を動的に学習できるマルチタスク学習モデルを設計する。
2つの実世界のデータセットに関する実証的研究により、提案モデルの優位性が確認された。
論文 参考訳(メタデータ) (2020-05-01T01:03:16Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳(メタデータ) (2020-03-09T17:05:04Z)
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。