論文の概要: Adaptive Schema-aware Event Extraction with Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2505.08690v1
• Date: Tue, 13 May 2025 15:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.65389
• Title: Adaptive Schema-aware Event Extraction with Retrieval-Augmented Generation
• Title（参考訳）: Retrieval-Augmented Generation を用いた適応型スキーマ対応イベント抽出
• Authors: Sheng Liang, Hang Lv, Zhihao Wen, Yaxiong Wu, Yongyue Zhang, Hao Wang, Yong Liu,
• Abstract要約: イベント抽出(EE)は自然言語処理(NLP)の基本課題であり、構造化されていないテキストからイベント情報を識別して抽出する。 既存の研究では,(1)既存のパイプラインシステムにおける厳密なスキーマ固定,(2)共同スキーママッチングと抽出のためのベンチマークの欠如という2つの重要なギャップが示されている。 本稿では,適応認識イベント抽出(ASEE)を提案する。
• 参考スコア（独自算出の注目度）: 16.423791691552665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event extraction (EE) is a fundamental task in natural language processing (NLP) that involves identifying and extracting event information from unstructured text. Effective EE in real-world scenarios requires two key steps: selecting appropriate schemas from hundreds of candidates and executing the extraction process. Existing research exhibits two critical gaps: (1) the rigid schema fixation in existing pipeline systems, and (2) the absence of benchmarks for evaluating joint schema matching and extraction. Although large language models (LLMs) offer potential solutions, their schema hallucination tendencies and context window limitations pose challenges for practical deployment. In response, we propose Adaptive Schema-aware Event Extraction (ASEE), a novel paradigm combining schema paraphrasing with schema retrieval-augmented generation. ASEE adeptly retrieves paraphrased schemas and accurately generates targeted structures. To facilitate rigorous evaluation, we construct the Multi-Dimensional Schema-aware Event Extraction (MD-SEE) benchmark, which systematically consolidates 12 datasets across diverse domains, complexity levels, and language settings. Extensive evaluations on MD-SEE show that our proposed ASEE demonstrates strong adaptability across various scenarios, significantly improving the accuracy of event extraction.
• Abstract（参考訳）: イベント抽出(EE)は自然言語処理(NLP)の基本課題であり、構造化されていないテキストからイベント情報を識別して抽出する。 現実のシナリオにおける効果的なEEには、数百の候補から適切なスキーマを選択し、抽出プロセスを実行するという、2つの重要なステップが必要です。 既存の研究では,(1)既存のパイプラインシステムにおける厳密なスキーマ固定,(2)共同スキーママッチングと抽出のためのベンチマークの欠如という2つの重要なギャップが示されている。 大きな言語モデル(LLM)は潜在的な解決策を提供するが、それらのスキーマ幻覚傾向とコンテキストウィンドウの制限は、実用的なデプロイメントに課題をもたらす。 そこで本研究では,アダプティブスキーマ対応イベント抽出(ASEE,Adaptive Schema-aware Event extract)を提案する。 ASEEはパラフレーズスキーマを順応して取得し、ターゲット構造を正確に生成する。 厳密な評価を容易にするため,多次元スキーマ対応イベント抽出(MD-SEE)ベンチマークを構築した。 MD-SEEの広範囲な評価から,提案したASEEは様々なシナリオに対して高い適応性を示し,イベント抽出の精度を著しく向上させることが示された。

関連論文リスト

• Reinforcing Compositional Retrieval: Retrieving Step-by-Step for Composing Informative Contexts [67.67746334493302]
  大規模言語モデル(LLM)は、多くのタスクにまたがる顕著な機能を示してきたが、複雑なタスクを扱うために外部のコンテキストに依存していることが多い。 我々は、このプロセスをマルコフ決定プロセス(MDP)としてモデル化するトリエンコーダシーケンシャルレトリバーを提案する。 提案手法は,サンプル間の依存関係を明示的にモデル化することの重要性を強調し,ベースラインを一貫して大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2025-04-15T17:35:56Z)
• OmniParser V2: Structured-Points-of-Thought for Unified Visual Text Parsing and Its Generality to Multimodal Large Language Models [58.45517851437422]
  VsTP(Visually-situated text parsing)は、自動化された文書理解の需要が高まり、最近顕著な進歩を遂げている。 既存のソリューションは、タスク固有のアーキテクチャと個々のタスクの目的に依存していることが多い。 本稿では,テキストスポッティング,キー情報抽出,テーブル認識,レイアウト解析など,VsTPの典型的なタスクを統一する汎用モデルであるOmni V2を紹介する。
  論文  参考訳（メタデータ） (2025-02-22T09:32:01Z)
• Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
  本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。 実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
  論文  参考訳（メタデータ） (2024-10-31T16:34:03Z)
• Decompose, Enrich, and Extract! Schema-aware Event Extraction using LLMs [45.83950260830323]
  この作業は、イベント抽出を自動化するために、大規模言語モデルを活用することに焦点を当てている。 タスクをイベント検出とイベント引数抽出に分解することで、幻覚に対処する新しい方法が導入された。
  論文  参考訳（メタデータ） (2024-06-03T06:55:10Z)
• InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
  本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。 InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
  論文  参考訳（メタデータ） (2023-09-21T09:22:07Z)
• Universal Information Extraction as Unified Semantic Matching [54.19974454019611]
  情報抽出を,異なるタスクやスキーマで共有される構造化と概念化という,2つの能力に分割する。 このパラダイムに基づいて、統一意味マッチングフレームワークを用いて様々なIEタスクを普遍的にモデル化することを提案する。 このように、USMはスキーマと入力テキストを共同でエンコードし、サブ構造を一様に並列に抽出し、必要に応じてターゲット構造を制御できる。
  論文  参考訳（メタデータ） (2023-01-09T11:51:31Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• 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)

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。