論文の概要: TIMELINE: Exhaustive Annotation of Temporal Relations Supporting the
Automatic Ordering of Events in News Articles
- arxiv url: http://arxiv.org/abs/2310.17802v1
- Date: Thu, 26 Oct 2023 22:23:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 15:22:27.328702
- Title: TIMELINE: Exhaustive Annotation of Temporal Relations Supporting the
Automatic Ordering of Events in News Articles
- Title（参考訳）: TIMELINE:ニュース記事におけるイベントの自動順序付けを支援する時間関係の抽出的アノテーション
- Authors: Sarah Alsayyahi and Riza Batista-Navarro
- Abstract要約: 本稿では,どの時間的関係にアノテートすべきかに基づいて,その基準を明確に定義する新たなアノテーション手法を提案する。
また、プロセスを自動化する時間的関係(長距離関係を含む)に注釈を付ける方法も提案する。
その結果、新しいデータセットであるTIMELINEコーパスが得られ、アノテーション間の合意が改善された。
- 参考スコア（独自算出の注目度）: 4.314956204483074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal relation extraction models have thus far been hindered by a number
of issues in existing temporal relation-annotated news datasets, including: (1)
low inter-annotator agreement due to the lack of specificity of their
annotation guidelines in terms of what counts as a temporal relation; (2) the
exclusion of long-distance relations within a given document (those spanning
across different paragraphs); and (3) the exclusion of events that are not
centred on verbs. This paper aims to alleviate these issues by presenting a new
annotation scheme that clearly defines the criteria based on which temporal
relations should be annotated. Additionally, the scheme includes events even if
they are not expressed as verbs (e.g., nominalised events). Furthermore, we
propose a method for annotating all temporal relations -- including
long-distance ones -- which automates the process, hence reducing time and
manual effort on the part of annotators. The result is a new dataset, the
TIMELINE corpus, in which improved inter-annotator agreement was obtained, in
comparison with previously reported temporal relation datasets. We report the
results of training and evaluating baseline temporal relation extraction models
on the new corpus, and compare them with results obtained on the widely used
MATRES corpus.
- Abstract（参考訳）: 時間的関係抽出モデルは,(1) 時間的関係として数えられるものに関して,アノテーションガイドラインの特異性の欠如によるアノテータ間合意の低さ,(2) 与えられた文書内での長距離関係の排除(異なる段落にまたがる),(3) 動詞に基づかない事象の排除など,既存の時間的関係注釈付きニュースデータセットの多くの問題によってこれまでに妨げられている。
本論文は, 時相関係の基準を明確に定義した新しいアノテーションスキームを提案することで, この問題を緩和することを目的としたものである。
さらに、このスキームは動詞として表現されていなくてもイベントを含む(例:名付けられたイベント)。
さらに, 時間的関係 - 長距離関係を含む- をアノテートする手法を提案し, プロセスの自動化によりアノテータの時間と手作業の削減を図っている。
その結果,前回報告した時間関係データセットと比較して,アノテーション間合意の改善が得られた新しいデータセットであるタイムラインコーパスが得られた。
新たなコーパスを用いた時間的関係抽出モデルのトレーニングと評価の結果を報告し, 広く使用されているMATRESコーパスと比較した。
関連論文リスト
- 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) - 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) - 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) - Extracting Temporal Event Relation with Syntactic-Guided Temporal Graph
Transformer [17.850316385809617]
1文または2文の連続文から構築した構文グラフから2つのイベント間の接続を明示的に見つけるための新しい時相グラフトランスフォーマーネットワークを提案する。
MATRES と TB-Dense データセットを用いた実験により,本手法は時間的関係抽出と時間的関係分類の両方において,従来の最先端手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2021-04-19T19:00:45Z) - One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。
実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文 参考訳（メタデータ） (2020-10-23T03:24:44Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳（メタデータ） (2020-10-21T11:07:53Z) - Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。
具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。
我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
論文 参考訳（メタデータ） (2020-10-13T22:45:28Z) - Predicting Event Time by Classifying Sub-Level Temporal Relations
Induced from a Unified Representation of Time Anchors [10.67457147373144]
本稿では,複雑な時間関係をサブレベル関係に分解する効果的な方法を提案する。
我々のアプローチは最先端の意思決定ツリーモデルより優れている。
論文 参考訳（メタデータ） (2020-08-14T16:30:07Z) - Temporal Information Extraction by Predicting Relative Time-lines [30.060559390097314]
本稿では,(抽出された)時間関係の集合から線形時間線を構築するための新しい手法を提案する。
本パラダイムでは,線形複雑性を予測する2つのモデルと,TimeMLスタイルのアノテーションを用いた新たなトレーニング損失を提案する。
論文 参考訳（メタデータ） (2018-08-28T16:46:30Z)
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。