論文の概要: Prompt-based Graph Model for Joint Liberal Event Extraction and Event Schema Induction

• arxiv url: http://arxiv.org/abs/2403.12526v1
• Date: Tue, 19 Mar 2024 07:56:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 15:02:36.241219
• Title: Prompt-based Graph Model for Joint Liberal Event Extraction and Event Schema Induction
• Title（参考訳）: 連立自由度イベント抽出とイベントスキーマ誘導のためのプロンプトグラフモデル
• Authors: Haochen Li, Di Geng,
• Abstract要約: イベントは、エンティティの状態の変化を記述する、スピーチとテキストの不可欠なコンポーネントである。 イベント抽出タスクは、イベントを特定して分類し、イベントスキーマに従って参加者を見つけることを目的としている。 研究者らは、イベント抽出とイベントスキーマの同時発見を目的とした、リベラルイベント抽出(LEE)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 are essential components of speech and texts, describing the changes in the state of entities. The event extraction task aims to identify and classify events and find their participants according to event schemas. Manually predefined event schemas have limited coverage and are hard to migrate across domains. Therefore, the researchers propose Liberal Event Extraction (LEE), which aims to extract events and discover event schemas simultaneously. However, existing LEE models rely heavily on external language knowledge bases and require the manual development of numerous rules for noise removal and knowledge alignment, which is complex and laborious. To this end, we propose a Prompt-based Graph Model for Liberal Event Extraction (PGLEE). Specifically, we use a prompt-based model to obtain candidate triggers and arguments, and then build heterogeneous event graphs to encode the structures within and between events. Experimental results prove that our approach achieves excellent performance with or without predefined event schemas, while the automatically detected event schemas are proven high quality.
• Abstract（参考訳）: イベントは、エンティティの状態の変化を記述する、スピーチとテキストの不可欠なコンポーネントである。 イベント抽出タスクは、イベントを特定して分類し、イベントスキーマに従って参加者を見つけることを目的としている。 手動で事前定義されたイベントスキーマは、カバー範囲が限られており、ドメイン間での移行が困難である。 そこで研究者らは,イベント抽出とイベントスキーマの同時発見を目的としたリベラルイベント抽出(LEE)を提案する。 しかし、既存のLEEモデルは外部の言語知識ベースに大きく依存しており、ノイズ除去と知識アライメントのための多数のルールを手作業で開発する必要がある。 そこで我々は,自由イベント抽出(PGLEE)のためのPromptベースのグラフモデルを提案する。 具体的には、プロンプトベースのモデルを使用して、候補のトリガと引数を取得し、それから不均一なイベントグラフを構築し、イベント内およびイベント間の構造をエンコードする。 実験結果から,自動検出されたイベントスキーマは高品質であるのに対して,事前定義されたイベントスキーマでは性能が良好であることが確認された。

関連論文リスト

• Cascading Large Language Models for Salient Event Graph Generation [19.731605612333716]
  CALLMSAEは、SAlient Event Graph生成のためのCAscading Large Language Modelフレームワークである。 まず、LSMにサマリを生成するよう促すことで、サレントイベントを識別する。 我々は、イベント関係グラフを生成するための反復的なコード改善促進戦略を開発する。 LLM生成グラフ上の微調整グラフ生成モデルは、CAEVO生成データに基づいてトレーニングされたモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-06-26T15:53:54Z)
• EVIT: Event-Oriented Instruction Tuning for Event Reasoning [18.012724531672813]
  イベント推論は、特定の関係に従ってイベントを推論し、将来のイベントを予測することを目的としている。 大規模言語モデル(LLM)は、その豊富な知識と推論能力のために、イベント推論において大きな進歩を遂げている。 しかし、現在使われている命令調整モデルでは、これらのタスクを管理するのに例外的な習熟度が一貫して示されていない。
  論文  参考訳（メタデータ） (2024-04-18T08:14:53Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Drafting Event Schemas using Language Models [48.81285141287434]
  複雑なイベントを記述するためにこのようなスキーマを作成するプロセスに注目します。 私たちの焦点は、十分な多様性と重要なイベントのリコールを達成できるかどうかにあります。 大規模言語モデルは、2つの異なるデータセットから取り出されたスキーマに対して適度なリコールを達成することができることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:57:04Z)
• Harvesting Event Schemas from Large Language Models [38.56772862516626]
  イベントスキーマは、イベントを表現し、世界イベントの知識をモデル化するための概念的、構造的、フォーマルな言語を提供する。 実世界のイベントのオープンな性質、イベント表現の多様性、イベント知識の広さにより、高品質で高カバレッジなイベントスキーマを自動生成することは困難である。 本稿では,大規模な事前学習型言語モデルから得られた知識を,イベントスキーマ誘導のための新しいパラダイムとして提案する。
  論文  参考訳（メタデータ） (2023-05-12T06:51:05Z)
• Zero-Shot On-the-Fly Event Schema Induction [61.91468909200566]
  本稿では,大規模な言語モデルを用いて,高レベルなイベント定義,特定のイベント,引数,それらの関係を予測・付与するソースドキュメントを生成する手法を提案する。 我々のモデルを用いて、任意のトピックに関する完全なスキーマを、手動のデータ収集、すなわちゼロショットの方法で、オンザフライで生成することができる。
  論文  参考訳（メタデータ） (2022-10-12T14:37:00Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• CLIP-Event: Connecting Text and Images with Event Structures [123.31452120399827]
  視覚言語事前学習モデルを適用したコントラスト学習フレームワークを提案する。 我々は、イベント構造知識を得るために、テキスト情報抽出技術を利用する。 実験により、ゼロショットCLIP-Eventは引数抽出において最先端の教師付きモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-13T17:03:57Z)
• Future is not One-dimensional: Graph Modeling based Complex Event Schema Induction for Event Prediction [90.75260063651763]
  本稿では、イベント、引数、時間的接続、引数関係を含むグラフベースのスキーマ表現であるテンポラル複合イベントの概念を紹介する。 イベントグラフを伴う6,399のドキュメントを含む新しいスキーマ学習コーパスをリリースし,手動でゴールドスキーマを構築した。
  論文  参考訳（メタデータ） (2021-04-13T16:41:05Z)

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。