論文の概要: Comparative Analysis of Contextual Relation Extraction based on Deep Learning Models

• arxiv url: http://arxiv.org/abs/2309.06814v1
• Date: Wed, 13 Sep 2023 09:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 14:53:13.831497
• Title: Comparative Analysis of Contextual Relation Extraction based on Deep Learning Models
• Title（参考訳）: 深層学習モデルに基づく文脈関係抽出の比較分析
• Authors: R.Priyadharshini, G.Jeyakodi, P.Shanthi Bala
• Abstract要約: バイオメディカル産業におけるドメイン知識の創出には, 効率的かつ正確なCREシステムが必要である。 深層学習技術は、複数の文からコンテキストに基づいて適切な意味関係を識別するために用いられてきた。 本稿では,関係抽出に使用される様々な深層学習モデルの解析について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contextual Relation Extraction (CRE) is mainly used for constructing a knowledge graph with a help of ontology. It performs various tasks such as semantic search, query answering, and textual entailment. Relation extraction identifies the entities from raw texts and the relations among them. An efficient and accurate CRE system is essential for creating domain knowledge in the biomedical industry. Existing Machine Learning and Natural Language Processing (NLP) techniques are not suitable to predict complex relations from sentences that consist of more than two relations and unspecified entities efficiently. In this work, deep learning techniques have been used to identify the appropriate semantic relation based on the context from multiple sentences. Even though various machine learning models have been used for relation extraction, they provide better results only for binary relations, i.e., relations occurred exactly between the two entities in a sentence. Machine learning models are not suited for complex sentences that consist of the words that have various meanings. To address these issues, hybrid deep learning models have been used to extract the relations from complex sentence effectively. This paper explores the analysis of various deep learning models that are used for relation extraction.
• Abstract（参考訳）: 文脈関係抽出(cre)は主にオントロジーの助けを借りて知識グラフを構築するために用いられる。 セマンティック検索、クエリ応答、テキストのエンテーメントといった様々なタスクを実行する。 関係抽出は、原文からの実体とそれらの関係を識別する。 バイオメディカル産業におけるドメイン知識の創出には,効率的かつ正確なCREシステムが必要である。 既存の機械学習と自然言語処理(NLP)技術は、2つ以上の関係と非特定実体からなる文から複雑な関係を効率的に予測するには適していない。 本研究では,複数の文から文脈に基づく適切な意味関係を同定するために,深層学習技術を用いた。 さまざまな機械学習モデルが関係抽出に使われているが、バイナリ関係、すなわち文中の2つのエンティティ間の関係に対してのみ、よりよい結果が得られる。 機械学習モデルは、様々な意味を持つ単語からなる複雑な文には適していない。 これらの問題に対処するために、複雑な文から関係を効果的に抽出するためにハイブリッドディープラーニングモデルが用いられている。 本稿では,関係抽出に用いる各種深層学習モデルの解析について検討する。

関連論文リスト

• Modeling Comparative Logical Relation with Contrastive Learning for Text Generation [43.814189025925096]
  比較論理関係生成(CLRG)と呼ばれる新しいD2Tタスクを導入する。 比較論理(CoLo)に基づくテキスト生成手法を提案する。 本手法は, 自動評価と人的評価の両方において, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-06-13T13:25:50Z)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• RelationPrompt: Leveraging Prompts to Generate Synthetic Data for Zero-Shot Relation Triplet Extraction [65.4337085607711]
  ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。 入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。 本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
  論文  参考訳（メタデータ） (2022-03-17T05:55:14Z)
• Improving Sentence-Level Relation Extraction through Curriculum Learning [7.117139527865022]
  本稿では,学習の難易度でデータを分割し,学習に活用するカリキュラムベースの関係抽出モデルを提案する。 代表文レベルの関係抽出データセットであるTACREDとRe-TACREDを用いた実験では,提案手法は良好な性能を示した。
  論文  参考訳（メタデータ） (2021-07-20T08:44:40Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Learning Informative Representations of Biomedical Relations with Latent Variable Models [2.4366811507669115]
  本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。 我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
  論文  参考訳（メタデータ） (2020-11-20T08:56:31Z)
• A Comparative Study on Structural and Semantic Properties of Sentence Embeddings [77.34726150561087]
  本稿では,関係抽出に広く利用されている大規模データセットを用いた実験セットを提案する。 異なる埋め込み空間は、構造的および意味的特性に対して異なる強度を持つことを示す。 これらの結果は,埋め込み型関係抽出法の開発に有用な情報を提供する。
  論文  参考訳（メタデータ） (2020-09-23T15:45:32Z)
• Inferential Text Generation with Multiple Knowledge Sources and Meta-Learning [117.23425857240679]
  本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。 既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。 この研究では、モデルのための燃料として複数の知識ソースを使用します。
  論文  参考訳（メタデータ） (2020-04-07T01:49:18Z)
• A logic-based relational learning approach to relation extraction: The OntoILPER system [0.9176056742068812]
  論理に基づく関係学習手法OntoILPERを提案する。 OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。 提案手法は統計的手法よりも関係抽出に適していると考えられる。
  論文  参考訳（メタデータ） (2020-01-13T12:47:49Z)

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。