論文の概要: Zero-Shot Open-Schema Entity Structure Discovery

• arxiv url: http://arxiv.org/abs/2506.04458v1
• Date: Wed, 04 Jun 2025 21:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.429876
• Title: Zero-Shot Open-Schema Entity Structure Discovery
• Title（参考訳）: Zero-Shot Open-Schema Entity Structure Discovery
• Authors: Xueqiang Xu, Jinfeng Xiao, James Barry, Mohab Elkaref, Jiaru Zou, Pengcheng Jiang, Yunyi Zhang, Max Giammona, Geeth de Mel, Jiawei Han,
• Abstract要約: ZOESは, エンリッチメント, 精製, 統一の原理的メカニズムに基づく, 実体構造抽出の新しい手法である。 ZOESは、3つの異なる領域にわたるより完全なエンティティ構造を抽出するLLMの能力を一貫して強化する。
• 参考スコア（独自算出の注目度）: 24.209745835571475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity structure extraction, which aims to extract entities and their associated attribute-value structures from text, is an essential task for text understanding and knowledge graph construction. Existing methods based on large language models (LLMs) typically rely heavily on predefined entity attribute schemas or annotated datasets, often leading to incomplete extraction results. To address these challenges, we introduce Zero-Shot Open-schema Entity Structure Discovery (ZOES), a novel approach to entity structure extraction that does not require any schema or annotated samples. ZOES operates via a principled mechanism of enrichment, refinement, and unification, based on the insight that an entity and its associated structure are mutually reinforcing. Experiments demonstrate that ZOES consistently enhances LLMs' ability to extract more complete entity structures across three different domains, showcasing both the effectiveness and generalizability of the method. These findings suggest that such an enrichment, refinement, and unification mechanism may serve as a principled approach to improving the quality of LLM-based entity structure discovery in various scenarios.
• Abstract（参考訳）: エンティティ構造抽出は、エンティティとその関連属性値構造をテキストから抽出することを目的としており、テキスト理解と知識グラフ構築に不可欠なタスクである。 大きな言語モデル(LLM)に基づく既存のメソッドは通常、定義済みのエンティティ属性スキーマや注釈付きデータセットに大きく依存しており、しばしば不完全な抽出結果につながる。 これらの課題に対処するために、Zero-Shot Open-schema Entity Structure Discovery (ZOES)を紹介します。 ZOESは、エンティティとその関連構造が相互に強化されているという洞察に基づいて、豊かさ、洗練、統一の原則的なメカニズムを介して機能する。 実験により、ZOESは3つの異なる領域にまたがるより完全な実体構造を抽出するLLMの能力を一貫して強化し、この手法の有効性と一般化性を示した。 これらのことから, これらの濃縮, 精製, 統一機構は, 様々なシナリオにおけるLCMに基づく実体構造発見の品質向上の原則的アプローチとして有効である可能性が示唆された。

関連論文リスト

• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• Global Structure Knowledge-Guided Relation Extraction Method for Visually-Rich Document [37.05334263712291]
  本稿では,GlObal Structure Knowledge-Guided Relation extract (GOSE) フレームワークを提案する。 GOSEは、文書のスキャン画像から抽出されたエンティティペアの予備関係予測を生成して開始する。 グローバル構造知識は、前回の反復予測から取得され、エンティティの表現に組み込まれる。
  論文  参考訳（メタデータ） (2023-05-23T09:18:47Z)
• Unified Structure Generation for Universal Information Extraction [58.89057387608414]
  UIEは、異なるIEタスクを普遍的にモデル化し、ターゲット構造を適応的に生成し、異なる知識ソースから一般的なIE能力を協調的に学習することができる。 実験によると、UIEは4つのIEタスク、13のデータセット、およびすべての教師付き、低リソース、数ショット設定で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-03-23T08:49:29Z)
• Entity Structure Within and Throughout: Modeling Mention Dependencies for Document-Level Relation Extraction [17.653025734439616]
  このような構造を言及対間の独特の依存関係として定式化する。 次に,これらの構造的依存関係を標準自己認識機構に組み込んだSSANを提案する。 本実験では,提案された実体構造の有用性およびSSANの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-20T03:47:46Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。