論文の概要: GraphERE: Jointly Multiple Event-Event Relation Extraction via Graph-Enhanced Event Embeddings
- arxiv url: http://arxiv.org/abs/2403.12523v1
- Date: Tue, 19 Mar 2024 07:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 15:02:36.245128
- Title: GraphERE: Jointly Multiple Event-Event Relation Extraction via Graph-Enhanced Event Embeddings
- Title（参考訳）: GraphERE: グラフ強化イベント埋め込みによる複数イベント関係抽出
- Authors: Haochen Li, Di Geng,
- Abstract要約: イベント関係抽出は自然言語を理解するために重要である。
本稿では,Graph-enhanced Event Embeddingsに基づく共同で複数のEREフレームワークであるGraphEREを提案する。
- 参考スコア（独自算出の注目度）: 1.3154296174423619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Events describe the state changes of entities. In a document, multiple events are connected by various relations (e.g., Coreference, Temporal, Causal, and Subevent). Therefore, obtaining the connections between events through Event-Event Relation Extraction (ERE) is critical to understand natural language. There are two main problems in the current ERE works: a. Only embeddings of the event triggers are used for event feature representation, ignoring event arguments (e.g., time, place, person, etc.) and their structure within the event. b. The interconnection between relations (e.g., temporal and causal relations usually interact with each other ) is ignored. To solve the above problems, this paper proposes a jointly multiple ERE framework called GraphERE based on Graph-enhanced Event Embeddings. First, we enrich the event embeddings with event argument and structure features by using static AMR graphs and IE graphs; Then, to jointly extract multiple event relations, we use Node Transformer and construct Task-specific Dynamic Event Graphs for each type of relation. Finally, we used a multi-task learning strategy to train the whole framework. Experimental results on the latest MAVEN-ERE dataset validate that GraphERE significantly outperforms existing methods. Further analyses indicate the effectiveness of the graph-enhanced event embeddings and the joint extraction strategy.
- Abstract（参考訳）: イベントはエンティティの状態変化を記述する。
文書では、複数のイベントは様々な関係(例えば、Coreference、Temporal、Causal、Subevent)によって接続される。
したがって、イベント関係抽出(ERE)を通じてイベント間の接続を得るには、自然言語を理解することが不可欠である。
現在のEREには2つの大きな問題があります。
a) イベントトリガの埋め込みは、イベントの特徴表現、イベント引数(例えば、時間、場所、人など)の無視、イベント内のそれらの構造にのみ使用される。
b) 関係(例えば、時間的関係と因果関係)の相互関係は無視される。
上記の問題を解決するために,グラフ強化イベント埋め込みに基づく共同で複数のEREフレームワークであるGraphEREを提案する。
まず、静的なAMRグラフとIEグラフを使用してイベントの埋め込みと構造化機能を強化します。次に、複数のイベント関係を共同で抽出するために、Node Transformerを使用し、各タイプの関係に対してタスク固有の動的イベントグラフを構築します。
最後に、フレームワーク全体をトレーニングするために、マルチタスクの学習戦略を使用しました。
最新のMAVEN-EREデータセットの実験結果は、GraphEREが既存のメソッドよりも大幅に優れていることを検証している。
さらに分析した結果,グラフ強調イベント埋め込みの有効性と共同抽出戦略の有効性が示唆された。
関連論文リスト
- Open-Domain Hierarchical Event Schema Induction by Incremental Prompting
and Verification [81.17473088621209]
イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。
複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。
線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
論文 参考訳（メタデータ） (2023-07-05T01:00:44Z) - JSEEGraph: Joint Structured Event Extraction as Graph Parsing [4.254099382808598]
JSEEGraphはグラフベースのイベント抽出フレームワークである。
エンティティとイベントを1つのセマンティックグラフにエンコードする。
ネストしたイベント構造を扱うことができ、異なるIEタスクを共同で解決することは有益であり、イベント引数抽出はエンティティ抽出から特に恩恵を受ける。
論文 参考訳（メタデータ） (2023-06-26T12:12:54Z) - 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) - 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) - EventGraph: Event Extraction as Semantic Graph Parsing [5.21480688623047]
イベント抽出には、イベントトリガとそれに対応するイベント引数の両方の検出と抽出が含まれる。
イベントをグラフとしてエンコードするイベント抽出のための共同フレームワークであるEventGraphを提案する。
私たちのコードとモデルはオープンソースとしてリリースされています。
論文 参考訳（メタデータ） (2022-10-16T22:11:46Z) - Unifying Event Detection and Captioning as Sequence Generation via
Pre-Training [53.613265415703815]
本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。
我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
論文 参考訳（メタデータ） (2022-07-18T14:18:13Z) - RAAT: Relation-Augmented Attention Transformer for Relation Modeling in
Document-Level Event Extraction [16.87868728956481]
我々はRelation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存をモデル化できる新しいDEEフレームワークを提案する。
関連情報をさらに活用するために,個別のイベント関連予測タスクを導入し,マルチタスク学習方式を採用し,イベント抽出性能を明示的に向上する。
論文 参考訳（メタデータ） (2022-06-07T15:11:42Z) - EA$^2$E: Improving Consistency with Event Awareness for Document-Level
Argument Extraction [52.43978926985928]
本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。
WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
論文 参考訳（メタデータ） (2022-05-30T04:33:51Z) - A Graph Enhanced BERT Model for Event Prediction [35.02248467245135]
BERTモデルを用いたイベントグラフの自動構築について検討する。
我々は、トレーニングプロセスにおけるイベント接続を予測するために、追加の構造化変数をBERTに組み込んだ。
シナリオイベント予測とストーリー終了予測という2つのイベント予測タスクの結果は,我々のアプローチが最先端のベースライン手法より優れていることを示している。
論文 参考訳（メタデータ） (2022-05-22T13:37:38Z) - Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。
本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
論文 参考訳（メタデータ） (2022-02-11T01:29:02Z)
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。