論文の概要: Enhancing Complex Causality Extraction via Improved Subtask Interaction and Knowledge Fusion
- arxiv url: http://arxiv.org/abs/2408.03079v1
- Date: Tue, 6 Aug 2024 10:15:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 14:27:34.454494
- Title: Enhancing Complex Causality Extraction via Improved Subtask Interaction and Knowledge Fusion
- Title（参考訳）: 改良されたサブタスク相互作用と知識融合による複雑な因果抽出の促進
- Authors: Jinglong Gao, Chen Lu, Xiao Ding, Zhongyang Li, Ting Liu, Bing Qin,
- Abstract要約: Event Causality extractは、テキストから因果イベントペアを抽出することを目的としている。
既存の微調整ベースのECEメソッドは、ECEの3つの重要な課題に同時に対処できない。
本稿では,ECE の3つの問題に同時に対処する統合 ECE フレームワーク (UniCE) を提案する。
- 参考スコア（独自算出の注目度）: 35.14378353659475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Event Causality Extraction (ECE) aims at extracting causal event pairs from texts. Despite ChatGPT's recent success, fine-tuning small models remains the best approach for the ECE task. However, existing fine-tuning based ECE methods cannot address all three key challenges in ECE simultaneously: 1) Complex Causality Extraction, where multiple causal-effect pairs occur within a single sentence; 2) Subtask~ Interaction, which involves modeling the mutual dependence between the two subtasks of ECE, i.e., extracting events and identifying the causal relationship between extracted events; and 3) Knowledge Fusion, which requires effectively fusing the knowledge in two modalities, i.e., the expressive pretrained language models and the structured knowledge graphs. In this paper, we propose a unified ECE framework (UniCE to address all three issues in ECE simultaneously. Specifically, we design a subtask interaction mechanism to enable mutual interaction between the two ECE subtasks. Besides, we design a knowledge fusion mechanism to fuse knowledge in the two modalities. Furthermore, we employ separate decoders for each subtask to facilitate complex causality extraction. Experiments on three benchmark datasets demonstrate that our method achieves state-of-the-art performance and outperforms ChatGPT with a margin of at least 30% F1-score. More importantly, our model can also be used to effectively improve the ECE performance of ChatGPT via in-context learning.
- Abstract（参考訳）: イベント因果抽出(ECE)は、テキストから因果イベントペアを抽出することを目的としている。
ChatGPTの最近の成功にもかかわらず、細調整された小型モデルはECEタスクにとって最良のアプローチである。
しかし、既存の微調整ベースのECEメソッドは、ECEの3つの重要な課題に同時に対処できない。
1) 複合因果抽出では,複数の因果効果対が1文以内に発生する。
2)ECEの2つのサブタスク間の相互依存、すなわちイベントの抽出、抽出されたイベント間の因果関係の同定を含む相互作用
3)知識融合 - 知識を2つのモダリティ、すなわち表現的事前学習言語モデルと構造化知識グラフに効果的に融合させることを必要とする知識融合。
本稿では,ECE の3つの問題に同時に対処する統合 ECE フレームワーク (UniCE) を提案する。
具体的には,2つのECEサブタスク間の相互相互作用を可能にするサブタスクインタラクション機構を設計する。
さらに,2つのモードで知識を融合させる知識融合機構を設計する。
さらに、複雑な因果抽出を容易にするために、各サブタスクに個別のデコーダを用いる。
3つのベンチマークデータセットの実験により,本手法は最先端の性能を達成し,少なくとも30%のF1スコアでChatGPTを上回る性能を示した。
さらに,本モデルは,文脈内学習によるChatGPTの性能向上にも有効である。
関連論文リスト
- Document-level Causal Relation Extraction with Knowledge-guided Binary Question Answering [13.835512118463164]
イベント因果関係抽出(英: Event-Event Causal Relation extract, ECRE)は、自然言語テキストにおけるイベント参照間の因果関係の識別と分類を目的としている。
ECREに関する既存の研究は、文書レベルのモデリングと因果幻覚の欠如を含む2つの重要な課題を強調している。
イベント構造構築と2段階質問解答の2段階からなるイベント構造を持つ知識誘導二元質問解答法(KnowQA)を提案する。
論文 参考訳（メタデータ） (2024-10-07T05:07:48Z) - CARE: Co-Attention Network for Joint Entity and Relation Extraction [0.0]
本稿では,共同エンティティと関係抽出のためのコ・アテンション・ネットワークを提案する。
提案手法では,サブタスク毎に異なる表現を学習するための並列符号化方式を採用する。
このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
論文 参考訳（メタデータ） (2023-08-24T03:40:54Z) - Co-evolving Graph Reasoning Network for Emotion-Cause Pair Extraction [39.76268402567324]
共進化推論に基づく新しいMTLフレームワークを提案する。
我々は,本モデルが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2023-06-07T11:11:12Z) - Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause
Pair Extraction [36.123715709125015]
感情原因ペア抽出(ECPE)は、感情原因分析(ECA)の派生したサブタスクの1つである。
ECPEは感情抽出(EE)と原因抽出(CE)に関連性のある豊富な特徴を共有している
論文 参考訳（メタデータ） (2022-09-09T04:06:27Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳（メタデータ） (2020-10-08T10:16:52Z) - DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act
Recognition and Sentiment Classification [77.59549450705384]
ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。
既存のシステムのほとんどは、それらを別々のタスクとして扱うか、単に2つのタスクを一緒にモデル化するだけです。
本稿では,2つのタスク間の相互作用をモデル化するディープ・コ・インタラクティブ・リレーショナル・ネットワーク(DCR-Net)を提案する。
論文 参考訳（メタデータ） (2020-08-16T14:13:32Z) - An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment
Analysis [73.7488524683061]
本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。
我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。
3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
論文 参考訳（メタデータ） (2020-04-04T13:49:54Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z) - Knowledge Integration Networks for Action Recognition [58.548331848942865]
我々は,アクション認識のためのメインブランチと,人間のパースとシーン認識のための2つの補助ブランチからなる3分岐アーキテクチャを設計する。
補助知識を中程度の畳み込み特徴に符号化するクロスブランチ統合(CBI)モジュールと、高レベルの文脈情報を効果的に融合するアクション知識グラフ(AKG)を含む2段階の知識符号化機構を提案する。
KINetは、大規模アクション認識ベンチマークKinetics-400の最先端性能を77.8%で達成している。
論文 参考訳（メタデータ） (2020-02-18T10:20:30Z)
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。