論文の概要: How to Understand Named Entities: Using Common Sense for News Captioning

• arxiv url: http://arxiv.org/abs/2403.06520v1
• Date: Mon, 11 Mar 2024 08:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 19:55:44.807182
• Title: How to Understand Named Entities: Using Common Sense for News Captioning
• Title（参考訳）: 名前付きエンティティの理解方法:ニュースキャプションにコモンセンスを使う
• Authors: Ning Xu, Yanhui Wang, Tingting Zhang, Hongshuo Tian, Mohan Kankanhalli, An-An Liu
• Abstract要約: ニュースキャプションは、記事本体を入力としてイメージを記述することを目的としている。 本稿では,ニュースキャプションのための名前付きエンティティを理解するために,コモンセンス知識を活用する。
• 参考スコア（独自算出の注目度）: 34.10048889674029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: News captioning aims to describe an image with its news article body as input. It greatly relies on a set of detected named entities, including real-world people, organizations, and places. This paper exploits commonsense knowledge to understand named entities for news captioning. By ``understand'', we mean correlating the news content with common sense in the wild, which helps an agent to 1) distinguish semantically similar named entities and 2) describe named entities using words outside of training corpora. Our approach consists of three modules: (a) Filter Module aims to clarify the common sense concerning a named entity from two aspects: what does it mean? and what is it related to?, which divide the common sense into explanatory knowledge and relevant knowledge, respectively. (b) Distinguish Module aggregates explanatory knowledge from node-degree, dependency, and distinguish three aspects to distinguish semantically similar named entities. (c) Enrich Module attaches relevant knowledge to named entities to enrich the entity description by commonsense information (e.g., identity and social position). Finally, the probability distributions from both modules are integrated to generate the news captions. Extensive experiments on two challenging datasets (i.e., GoodNews and NYTimes) demonstrate the superiority of our method. Ablation studies and visualization further validate its effectiveness in understanding named entities.
• Abstract（参考訳）: ニュースキャプションは、記事本体を入力としてイメージを記述することを目的としている。 それは、現実世界の人々、組織、そして場所を含む、検出された名前付きエンティティセットに大きく依存している。 本稿では,ニュースキャプションのための名前付きエンティティを理解するために,常識知識を活用する。 understand' によって、我々はニュースコンテンツと野生の常識を関連づけることであり、エージェントがそれを行うのに役立つ。 1)意味的に類似した名称の実体を区別し 2) 訓練コーパスの外部の単語を用いて名前付きエンティティを記述する。 私たちのアプローチは3つのモジュールで構成されています。 (a)フィルタモジュールは、名前付きエンティティに関する常識を2つの側面から明確にすることを目的としている。 それは何に関連していますか? 共通認識を説明的知識と関連する知識にそれぞれ分割する。 (b)モジュールをノード次数、依存性、および3つの側面から説明知識を集約し、意味的に類似した名前付きエンティティを区別する。 (c)エンリッチモジュールは、名前付きエンティティに関連知識を付加し、コモンセンス情報(アイデンティティや社会的位置など)によるエンティティ記述を充実させる。 最後に、両モジュールからの確率分布を統合してニュースキャプションを生成する。 2つの挑戦的データセット(GoodNewsとNYTimes)に対する大規模な実験は、我々の手法の優位性を実証している。 アブレーション研究と可視化は、名前付き実体を理解する上での有効性をさらに検証する。

関連論文リスト

• Nested Named Entity Recognition from Medical Texts: An Adaptive Shared Network Architecture with Attentive CRF [53.55504611255664]
  ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。 提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。 我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
  論文  参考訳（メタデータ） (2022-11-09T09:23:56Z)
• Generative Entity-to-Entity Stance Detection with Knowledge Graph Augmentation [7.857310305816312]
  スタンス検出は通常、テキスト中の感情をターゲットエンティティに向けて予測するものとしてフレーム化される。 本稿では,スタンスを推定する際,実体間の相互作用を研究する必要性を強調した。 まず、まず、エンティティ・トゥ・エンタリティ(E2E)スタンス検出という新しいタスクを導入する。
  論文  参考訳（メタデータ） (2022-11-02T20:16:42Z)
• Ered: Enhanced Text Representations with Entities and Descriptions [5.977668609935748]
  外部知識(エンティティやエンティティ記述など)は、人間がテキストを理解するのに役立つ。 本稿では、微調整段階において、エンティティとエンティティ記述の両方を明示的に含意することを目的としている。 我々は4つの知識指向タスクと2つの共通タスクについて実験を行い、その結果、いくつかのデータセットで新たな最先端を達成できた。
  論文  参考訳（メタデータ） (2022-08-18T16:51:16Z)
• Boosting Entity-aware Image Captioning with Multi-modal Knowledge Graph [96.95815946327079]
  名前付きエンティティの長期分布により、名前付きエンティティと視覚的キューの関係を学習することは困難である。 本稿では、視覚オブジェクトと名前付きエンティティを関連付けるために、マルチモーダルな知識グラフを構築する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-26T05:50:41Z)
• Improving Entity Linking through Semantic Reinforced Entity Embeddings [16.868791358905916]
  そこで本稿では, コンテキスト共通性の学習を容易にするため, 実体埋め込みに微粒な意味情報を注入する手法を提案する。 エンティティの埋め込みに基づいて、エンティティリンクにおける最先端のパフォーマンスを新たに達成しました。
  論文  参考訳（メタデータ） (2021-06-16T00:27:56Z)
• KGSynNet: A Novel Entity Synonyms Discovery Framework with Knowledge Graph [23.053995137917994]
  emphKGSynNetという新しいエンティティ同義語発見フレームワークを提案する。 具体的には、大規模なドメイン固有コーパスを用いて、参照やエンティティのサブワード埋め込みを事前訓練する。 固有設計のエンフュージョンゲートを用いて、エンティティの知識情報をセマンティックな特徴に適応的に吸収する。
  論文  参考訳（メタデータ） (2021-03-16T07:32:33Z)
• Named Entity Recognition for Social Media Texts with Semantic Augmentation [70.44281443975554]
  名前付きエンティティ認識のための既存のアプローチは、短いテキストと非公式テキストで実行される場合、データ空間の問題に悩まされる。 そこで我々は,NER によるソーシャルメディアテキストに対するニューラルベースアプローチを提案し,ローカルテキストと拡張セマンティクスの両方を考慮に入れた。
  論文  参考訳（メタデータ） (2020-10-29T10:06:46Z)
• Edge Guided GANs with Contrastive Learning for Semantic Image Synthesis [194.1452124186117]
  本稿では,難解なセマンティック画像合成タスクのための新しいECGANを提案する。 我々のECGANは最先端の手法よりもはるかに優れた結果が得られる。
  論文  参考訳（メタデータ） (2020-03-31T01:23:21Z)
• Symbiotic Attention with Privileged Information for Egocentric Action Recognition [71.0778513390334]
  我々は,エゴセントリックなビデオ認識のための新しい共生アテンションフレームワークを提案する。 本フレームワークは,動詞の分岐,名詞の分岐,特権情報間の相互通信を可能にする。 特に、大規模なエゴセントリックな2つのビデオデータセットの最先端を実現している。
  論文  参考訳（メタデータ） (2020-02-08T10:48:43Z)

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。