論文の概要: FCDS: Fusing Constituency and Dependency Syntax into Document-Level Relation Extraction

• arxiv url: http://arxiv.org/abs/2403.01886v1
• Date: Mon, 4 Mar 2024 09:48:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 19:15:07.955009
• Title: FCDS: Fusing Constituency and Dependency Syntax into Document-Level Relation Extraction
• Title（参考訳）: fcds: 文書レベルの関係抽出に構成と依存関係構文を融合する
• Authors: Xudong Zhu, Zhao Kang, Bei Hui
• Abstract要約: ドキュメントレベルの関係抽出(DocRE)は、単一のドキュメント内でエンティティ間の関係ラベルを識別することを目的としている。 本稿では,構成と依存性の構文をDocREに融合することを提案する。 各種領域のデータセットに対する実験結果から,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 6.293453766383407
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Document-level Relation Extraction (DocRE) aims to identify relation labels between entities within a single document. It requires handling several sentences and reasoning over them. State-of-the-art DocRE methods use a graph structure to connect entities across the document to capture dependency syntax information. However, this is insufficient to fully exploit the rich syntax information in the document. In this work, we propose to fuse constituency and dependency syntax into DocRE. It uses constituency syntax to aggregate the whole sentence information and select the instructive sentences for the pairs of targets. It exploits the dependency syntax in a graph structure with constituency syntax enhancement and chooses the path between entity pairs based on the dependency graph. The experimental results on datasets from various domains demonstrate the effectiveness of the proposed method. The code is publicly available at this url.
• Abstract（参考訳）: ドキュメントレベルの関係抽出(DocRE)は、単一のドキュメント内でエンティティ間の関係ラベルを識別することを目的としている。 いくつかの文を扱い、それを推論する必要がある。 state-of-the-art docreメソッドは、グラフ構造を使用してドキュメント全体のエンティティを接続し、依存関係の構文情報をキャプチャする。 しかし、ドキュメント内の豊富な構文情報を十分に活用するには不十分である。 本稿では,構成構文と依存関係構文をdocreに融合する手法を提案する。 構成構文を用いて文情報全体を集約し、対象のペアに対して指示文を選択する。 構成構文拡張を備えたグラフ構造における依存構文を活用し、依存グラフに基づいてエンティティペア間のパスを選択する。 各種領域のデータセットに対する実験結果から,提案手法の有効性が示された。 コードは、この url で公開されている。

関連論文リスト

• Data-driven Coreference-based Ontology Building [48.995395445597225]
  参照解決は、伝統的に個々の文書理解のコンポーネントとして使用される。 よりグローバルな視点で、すべてのドキュメントレベルのコア参照関係から、ドメインについて何が学べるかを探求します。 コードとともに、クリエイティブ・コモンズライセンスの下でコア参照チェーンをリリースします。
  論文  参考訳（メタデータ） (2024-10-22T14:30:40Z)
• Knowledge-Aware Query Expansion with Large Language Models for Textual and Relational Retrieval [49.42043077545341]
  知識グラフ(KG)から構造化文書関係を付加したLLMを拡張した知識対応クエリ拡張フレームワークを提案する。 文書テキストをリッチなKGノード表現として活用し、KAR(Knowledge-Aware Retrieval)のための文書ベースの関係フィルタリングを利用する。
  論文  参考訳（メタデータ） (2024-10-17T17:03:23Z)
• Graph-tree Fusion Model with Bidirectional Information Propagation for Long Document Classification [20.434941308959786]
  長い文書分類は、その広範な内容と複雑な構造のために困難を呈する。 既存のメソッドはトークン制限に苦しむことが多く、ドキュメント内の階層的関係を適切にモデル化することができない。 本手法は,文エンコーディングのための構文木と文書エンコーディングのための文書グラフを統合し,より詳細な構文関係とより広い文書コンテキストを抽出する。
  論文  参考訳（メタデータ） (2024-10-03T19:25:01Z)
• Contextual Document Embeddings [77.22328616983417]
  本稿では,コンテキスト化された文書埋め込みのための2つの補完手法を提案する。 第一に、文書近傍を明示的にバッチ内コンテキスト損失に組み込む別のコントラスト学習目標である。 第二に、隣接する文書情報をエンコードされた表現に明示的にエンコードする新しいコンテキストアーキテクチャ。
  論文  参考訳（メタデータ） (2024-10-03T14:33:34Z)
• A Semantic Mention Graph Augmented Model for Document-Level Event Argument Extraction [12.286432133599355]
  Document-level Event Argument extract (DEAE)は、構造化されていないドキュメントから引数とその特定の役割を特定することを目的としている。 DEAEの先進的なアプローチは、事前訓練された言語モデル(PLM)を誘導するプロンプトベースの手法を用いて、入力文書から引数を抽出する。 本稿では,この2つの問題に対処するために,グラフ拡張モデル (GAM) のセマンティック言及を提案する。
  論文  参考訳（メタデータ） (2024-03-12T08:58:07Z)
• Anaphor Assisted Document-Level Relation Extraction [42.57958231709678]
  文書レベルの関係抽出(DocRE)は、文書内の複数の文に分散されたエンティティ間の関係を識別する。 既存の方法は、エンティティの内部構造とエンティティ間の外部相互作用をモデル化する異種文書グラフの構築に焦点を当てている。 DocREタスクのためのAnaphor-Assisted (AA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T06:11:18Z)
• DocTr: Document Transformer for Structured Information Extraction in Documents [36.1145541816468]
  本稿では、視覚的にリッチな文書から構造化情報を取り出すための新しい定式化について述べる。 既存のIOBタグやグラフベースの定式化の制限に対処することを目的としている。 我々は、エンティティをアンカーワードとバウンディングボックスとして表現し、エンティティリンクをアンカーワードの関連付けとして表現する。
  論文  参考訳（メタデータ） (2023-07-16T02:59:30Z)
• Not Just Plain Text! Fuel Document-Level Relation Extraction with Explicit Syntax Refinement and Subsentence Modeling [3.9436257406798925]
  expLicit syntAx Refinement and Subsentence mOdeliNg based framework (LARSON)を提案する。 余分な構文情報を導入することで、LARSONは任意の粒度のサブ文をモデル化し、効果的なインストラクティブを表示できる。 3つのベンチマークデータセット(DocRED、CDR、GDA)の実験結果から、LARSONは既存の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-10T05:06:37Z)
• Document-Level Relation Extraction with Sentences Importance Estimation and Focusing [52.069206266557266]
  文書レベルの関係抽出(DocRE)は、複数の文の文書から2つのエンティティ間の関係を決定することを目的としている。 我々はDocREのための文重要度スコアと文集中損失を設計するSIEF(Sentence Estimation and Focusing)フレームワークを提案する。 2つのドメインの実験結果から、SIEFは全体的なパフォーマンスを改善するだけでなく、DocREモデルをより堅牢にします。
  論文  参考訳（メタデータ） (2022-04-27T03:20:07Z)
• DART: Open-Domain Structured Data Record to Text Generation [91.23798751437835]
  82k以上のインスタンス(DART)を持つオープンドメイン構造化DAta Record to Text生成データセットであるDARTを提案する。 本稿では,テーブルヘッダとテーブルタイトル間の意味的依存関係を利用して,その構造を符号化するテーブルから意味的三重項を抽出する手法を提案する。 我々のデータセット構築フレームワークは、オープンドメイン意味解析と対話行動に基づく意味表現タスクからヘテロジニアスソースを効果的に統合する。
  論文  参考訳（メタデータ） (2020-07-06T16:35:30Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。