論文の概要: ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction

• arxiv url: http://arxiv.org/abs/2309.12892v1
• Date: Fri, 22 Sep 2023 14:26:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 14:21:41.159292
• Title: ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction
• Title（参考訳）: ProtoEM: イベント関係抽出のためのプロトタイプ強化マッチングフレームワーク
• Authors: Zhilei Hu, Zixuan Li, Daozhu Xu, Long Bai, Cheng Jin, Xiaolong Jin, Jiafeng Guo, Xueqi Cheng
• Abstract要約: イベント関係抽出(ERE)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 複数種類の事象関係の連成抽出のためのプロトタイプ強化マッチング(ProtoEM)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 69.74158631862652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event Relation Extraction (ERE) aims to extract multiple kinds of relations among events in texts. However, existing methods singly categorize event relations as different classes, which are inadequately capturing the intrinsic semantics of these relations. To comprehensively understand their intrinsic semantics, in this paper, we obtain prototype representations for each type of event relation and propose a Prototype-Enhanced Matching (ProtoEM) framework for the joint extraction of multiple kinds of event relations. Specifically, ProtoEM extracts event relations in a two-step manner, i.e., prototype representing and prototype matching. In the first step, to capture the connotations of different event relations, ProtoEM utilizes examples to represent the prototypes corresponding to these relations. Subsequently, to capture the interdependence among event relations, it constructs a dependency graph for the prototypes corresponding to these relations and utilized a Graph Neural Network (GNN)-based module for modeling. In the second step, it obtains the representations of new event pairs and calculates their similarity with those prototypes obtained in the first step to evaluate which types of event relations they belong to. Experimental results on the MAVEN-ERE dataset demonstrate that the proposed ProtoEM framework can effectively represent the prototypes of event relations and further obtain a significant improvement over baseline models.
• Abstract（参考訳）: イベント関係抽出(ere)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 しかし、既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 本稿では,それらの意味を包括的に理解するために,イベント関係の各タイプに対するプロトタイプ表現を求め,複数種類のイベント関係の同時抽出のためのprotoem(protoem)フレームワークを提案する。 具体的には、ProtoEMは2段階の方法でイベント関係、すなわちプロトタイプ表現とプロトタイプマッチングを抽出する。 最初のステップでは、異なる事象関係の意味を捉えるために、ProtoEMはこれらの関係に対応するプロトタイプを表現するために例を利用する。 その後、イベント間の相互依存を捉えるために、これらの関係に対応するプロトタイプの依存性グラフを構築し、グラフニューラルネットワーク(GNN)ベースのモデリングモジュールを使用した。 第2のステップでは、新しいイベントペアの表現を取得し、第1のステップで得られたプロトタイプと類似度を計算し、それらが属するイベント関係のタイプを評価する。 MAVEN-EREデータセットの実験結果から,提案するProtoEMフレームワークはイベント関係のプロトタイプを効果的に表現し,ベースラインモデルよりも大幅な改善が得られた。

関連論文リスト

• RAPL: A Relation-Aware Prototype Learning Approach for Few-Shot Document-Level Relation Extraction [35.246592734300414]
  FSDLREのための関係認識型プロトタイプ学習手法を提案する。 提案手法は, 関係プロトタイプを効果的に改良し, タスク固有のNOTAプロトタイプを生成する。
  論文  参考訳（メタデータ） (2023-10-24T11:35:23Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Cross-Domain Few-Shot Relation Extraction via Representation Learning and Domain Adaptation [1.1602089225841632]
  短いショット関係抽出は、各関係にラベル付き文がほとんどない新しい関係を認識することを目的としている。 従来の距離法に基づく数ショット関係抽出アルゴリズムは、訓練された距離関数を用いて、クエリ文の埋め込みに埋め込まれた少数のラベル付き文によって生成されたプロトタイプを比較することにより、関係を識別する。 我々は,先行知識からより解釈可能で効率的なプロトタイプを学習し,様々な領域における新たな関係をより効果的に抽出するために,関係の本質的な意味論を学習することを提案する。
  論文  参考訳（メタデータ） (2022-12-05T19:34:52Z)
• Towards Better Document-level Relation Extraction via Iterative Inference [29.62043809208398]
  文書レベルの関係抽出(RE)は、入力文書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,反復推論を用いた新しい文書レベルのREモデルを提案する。 3つの一般的なデータセットの実験結果から、我々のモデルは、他の競争ベースラインよりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-26T03:57:34Z)
• MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference, Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
  アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。 103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。 実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-14T13:34:49Z)
• A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction [22.60428265210431]
  Few-Shot Relation extractは、文中の一対の実体の関係を、各関係にいくつかのラベル付き例で訓練することによって予測することを目的としている。 原型ネットワークに基づくモデル学習を支援するための関係情報を導入した最近の研究もある。 関係情報はモデルにより明確かつ効果的に導入できると論じる。
  論文  参考訳（メタデータ） (2022-05-19T13:03:01Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• 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)

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。