論文の概要: Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing

• arxiv url: http://arxiv.org/abs/2406.16529v1
• Date: Mon, 24 Jun 2024 11:08:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 15:14:19.622769
• Title: Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing
• Title（参考訳）: 非ブリッジエンティティの強化と予測バイアスによるグラフベースのクロスドキュメント関係抽出
• Authors: Hao Yue, Shaopeng Lai, Chengyi Yang, Liang Zhang, Junfeng Yao, Jinsong Su,
• Abstract要約: 文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
• 参考スコア（独自算出の注目度）: 30.204313638661255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-document Relation Extraction aims to predict the relation between target entities located in different documents. In this regard, the dominant models commonly retain useful information for relation prediction via bridge entities, which allows the model to elaborately capture the intrinsic interdependence between target entities. However, these studies ignore the non-bridge entities, each of which co-occurs with only one target entity and offers the semantic association between target entities for relation prediction. Besides, the commonly-used dataset--CodRED contains substantial NA instances, leading to the prediction bias during inference. To address these issues, in this paper, we propose a novel graph-based cross-document RE model with non-bridge entity enhancement and prediction debiasing. Specifically, we use a unified entity graph to integrate numerous non-bridge entities with target entities and bridge entities, modeling various associations between them, and then use a graph recurrent network to encode this graph. Finally, we introduce a novel debiasing strategy to calibrate the original prediction distribution. Experimental results on the closed and open settings show that our model significantly outperforms all baselines, including the GPT-3.5-turbo and InstructUIE, achieving state-of-the-art performance. Particularly, our model obtains 66.23% and 55.87% AUC points in the official leaderboard\footnote{\url{https://codalab.lisn.upsaclay.fr/competitions/3770#results}} under the two settings, respectively, ranking the first place in all submissions since December 2023. Our code is available at https://github.com/DeepLearnXMU/CoRE-NEPD.
• Abstract（参考訳）: 文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 この点において、支配的なモデルは、ブリッジエンティティを介して関係予測に有用な情報を保持するため、ターゲットエンティティ間の本質的な相互依存を精巧に捉えることができる。 しかし,これらの研究は,対象物のみと共起する非ブリッジ実体を無視し,対象物間の意味的関連性を提供して関係予測を行う。 さらに、一般的に使用されるデータセット--CodREDには、かなりのNAインスタンスが含まれており、推論時の予測バイアスにつながる。 そこで本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。 具体的には、統一エンティティグラフを使用して、多数の非ブリッジエンティティを対象エンティティとブリッジエンティティと統合し、それらの間の様々な関連をモデル化し、グラフ再帰ネットワークを使用してこのグラフを符号化する。 最後に,従来の予測分布をキャリブレーションするための新しいデバイアス手法を提案する。 その結果,GPT-3.5-turbo や InstructUIE などすべてのベースラインを改良し,最先端性能を実現した。 特に、我々のモデルは、2023年12月以降の全ての提出物の中で、それぞれ66.23%と55.87%のAUCポイントを2つの設定の下で、公式のリーダーボードで取得している。 私たちのコードはhttps://github.com/DeepLearnXMU/CoRE-NEPD.comで公開されています。

関連論文リスト

• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy [14.459419325027612]
  知識グラフアライメントは、個々の知識グラフの制限に対処するために、複数のソースからの知識を統合することを目的としている。 既存のモデルは、主にクロスグラフエンティティのリンクを強調するが、KG間の関係の整合性を見落としている。 本稿では,2つのサブタスクを反復的に最適化する新しい予測最大化モデルEREMを提案する。
  論文  参考訳（メタデータ） (2024-07-25T03:40:09Z)
• 4DBInfer: A 4D Benchmarking Toolbox for Graph-Centric Predictive Modeling on Relational DBs [67.47600679176963]
  RDBは、相互接続されたテーブルにまたがる膨大な量のリッチで情報的なデータを格納する。 予測機械学習モデルの進歩は、コンピュータビジョンや自然言語処理といった他の領域の進歩に遅れをとっている。 マルチテーブルデータセットをグラフに変換することを前提としたベースラインモデルのクラスを探索する。 大規模RDBデータセットと (ii) 同時予測タスクの多様なコレクションを組み立てる。
  論文  参考訳（メタデータ） (2024-04-28T15:04:54Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデル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） (2023-11-22T08:06:22Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Revisiting Neighborhood-based Link Prediction for Collaborative Filtering [3.7403495150710384]
  協調フィルタリングはレコメンデーションシステムにおいて最も成功し基礎的な手法の1つである。 両部グラフの新しいリンク(接続性)スコアを提案し、複数の標準リンク予測手法を一般化する。 提案手法は,既存のGNNベースのCFアプローチを,広く使用されている4つのベンチマークで大幅に上回っている。
  論文  参考訳（メタデータ） (2022-03-29T17:48:05Z)
• Inter-domain Multi-relational Link Prediction [19.094154079752123]
  関連するグラフが共存する場合には、より小さなグラフを統合することで、より大きなグラフを構築するという大きなメリットがあります。 この統合では、異なるグラフに属するエンティティ間の隠れたリレーショナル接続を予測する必要がある。 ドメイン間リンク予測問題に対して,異なるドメイン間のエンティティ分布をソフトに整合させることにより,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-11T05:10:31Z)

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。