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
- 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) - Document-level Relation Extraction with Cross-sentence Reasoning Graph [14.106582119686635]
関係抽出(RE)は、最近、文レベルから文書レベルに移行した。
GRaph情報集約・クロスセンス推論ネットワーク(GRACR)を用いた新しい文書レベルのREモデルを提案する。
実験結果から,GRACRは文書レベルのREの2つの公開データセットにおいて優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-03-07T14:14:12Z) - 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) - Unified Pretraining Framework for Document Understanding [52.224359498792836]
文書理解のための統合事前学習フレームワークであるUDocを紹介する。
UDocは、ほとんどのドキュメント理解タスクをサポートするように設計されており、Transformerを拡張してマルチモーダル埋め込みを入力とする。
UDocの重要な特徴は、3つの自己管理的損失を利用して汎用的な表現を学ぶことである。
論文 参考訳(メタデータ) (2022-04-22T21:47:04Z) - Eider: Evidence-enhanced Document-level Relation Extraction [56.71004595444816]
文書レベルの関係抽出(DocRE)は、文書内のエンティティペア間の意味関係を抽出することを目的としている。
本稿では,共同関係と証拠抽出,エビデンス中心関係抽出(RE),抽出結果の融合からなる3段階のエビデンス強化DocREフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-16T09:43:16Z) - 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) - Heterogeneous Graph Neural Networks for Extractive Document
Summarization [101.17980994606836]
クロス文関係は、抽出文書要約における重要なステップである。
We present a graph-based neural network for extractive summarization (HeterSumGraph)
抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
論文 参考訳(メタデータ) (2020-04-26T14:38:11Z) - Pairwise Multi-Class Document Classification for Semantic Relations
between Wikipedia Articles [5.40541521227338]
2つの文書間の関係をペアワイズ文書分類タスクとして検索する問題をモデル化する。
文書間の意味的関係を見つけるために,GloVe, paragraph-s,BERT,XLNetなどの一連の手法を適用する。
我々は,新たに提案された32,168のウィキペディア記事ペアと,セマンティックドキュメントの関係を定義するウィキデータプロパティに関する実験を行った。
論文 参考訳(メタデータ) (2020-03-22T12:52:56Z) - 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。