論文の概要: Document-level Causal Relation Extraction with Knowledge-guided Binary Question Answering
- arxiv url: http://arxiv.org/abs/2410.04752v1
- Date: Mon, 7 Oct 2024 05:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 02:07:46.541998
- Title: Document-level Causal Relation Extraction with Knowledge-guided Binary Question Answering
- Title（参考訳）: 知識誘導二元質問応答を用いた文書レベルの因果関係抽出
- Authors: Zimu Wang, Lei Xia, Wei Wang, Xinya Du,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.835512118463164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an essential task in information extraction (IE), Event-Event Causal Relation Extraction (ECRE) aims to identify and classify the causal relationships between event mentions in natural language texts. However, existing research on ECRE has highlighted two critical challenges, including the lack of document-level modeling and causal hallucinations. In this paper, we propose a Knowledge-guided binary Question Answering (KnowQA) method with event structures for ECRE, consisting of two stages: Event Structure Construction and Binary Question Answering. We conduct extensive experiments under both zero-shot and fine-tuning settings with large language models (LLMs) on the MECI and MAVEN-ERE datasets. Experimental results demonstrate the usefulness of event structures on document-level ECRE and the effectiveness of KnowQA by achieving state-of-the-art on the MECI dataset. We observe not only the effectiveness but also the high generalizability and low inconsistency of our method, particularly when with complete event structures after fine-tuning the models.
- Abstract（参考訳）: イベント因果関係抽出(英: Event-Event Causal Relation extract, ECRE)は、情報抽出(IE)において重要な課題である。
しかし、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。
本稿では,イベント構造構築と二項質問解答の2段階からなるイベント構造を持つ知識誘導二項質問解答法(KnowQA)を提案する。
我々は,MECIデータセットとMAVEN-EREデータセット上で,大規模言語モデル(LLM)を用いて,ゼロショットおよび微調整設定の両方で広範な実験を行う。
実験結果から,文書レベルECREにおけるイベント構造の有用性と,MECIデータセットの最先端化によるKnowQAの有効性が示された。
本手法の有効性だけでなく,本手法の高一般化性と低整合性,特にモデル微調整後のイベント構造が完全である場合も観察する。
関連論文リスト
- Disentangling Memory and Reasoning Ability in Large Language Models [97.26827060106581]
本稿では、複雑な推論プロセスを2つの異なる明確なアクションに分解する新しい推論パラダイムを提案する。
実験の結果, この分解によりモデル性能が向上し, 推論プロセスの解釈可能性も向上することがわかった。
論文 参考訳（メタデータ） (2024-11-20T17:55:38Z) - One Small and One Large for Document-level Event Argument Extraction [13.25071868664492]
文書レベルのイベント引数抽出(EAE)は、入力長の増加による2つの課題に直面する。
小言語モデル(SLM)に基づくCsEAE(CoおよびStructure Event Argument extract model)
第二の方法は、抽出タスクを大規模言語モデル(LLM)に適した生成タスクに変換する新しいプロンプトを導入する
論文 参考訳（メタデータ） (2024-11-08T14:44:01Z) - A Structure-aware Generative Model for Biomedical Event Extraction [6.282854894433099]
GenBEEという名前のイベント構造を意識した生成モデルは、バイオメディカルテキストで複雑なイベント構造をキャプチャできる。
我々は3つのバイオメディカルイベント抽出ベンチマークを用いて提案したGenBEEモデルを評価した。
論文 参考訳（メタデータ） (2024-08-13T02:43:19Z) - Improving Open Information Extraction with Large Language Models: A
Study on Demonstration Uncertainty [52.72790059506241]
オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。
一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
論文 参考訳（メタデータ） (2023-09-07T01:35:24Z) - Semantic Structure Enhanced Event Causality Identification [57.26259734944247]
事象因果同定(ECI)は、非構造化テキスト中の事象間の因果関係を特定することを目的としている。
既存の方法は、イベント中心構造とイベント関連構造という、ECIタスクに不可欠な2種類の意味構造を過小評価する。
論文 参考訳（メタデータ） (2023-05-22T07:42:35Z) - Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。
最近のデータ拡張手法は文法的誤りの問題を無視することが多い。
本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-16T16:52:07Z) - Event Causality Extraction with Event Argument Correlations [13.403222002600558]
Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。
本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
論文 参考訳（メタデータ） (2023-01-27T09:48:31Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳（メタデータ） (2021-09-24T17:37:35Z) - Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
本稿では,OED(Ongoing Event Detection)タスクを紹介する。
目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。
構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
論文 参考訳（メタデータ） (2020-07-02T20:44:05Z)
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。