論文の概要: LLM-OREF: An Open Relation Extraction Framework Based on Large Language Models

• arxiv url: http://arxiv.org/abs/2509.15089v1
• Date: Thu, 18 Sep 2025 15:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.311199
• Title: LLM-OREF: An Open Relation Extraction Framework Based on Large Language Models
• Title（参考訳）: LLM-OREF:大規模言語モデルに基づくオープンな関係抽出フレームワーク
• Authors: Hongyao Tu, Liang Zhang, Yujie Lin, Xin Lin, Haibo Zhang, Long Zhang, Jinsong Su,
• Abstract要約: オープンリレーション抽出(OpenRE)の目的は、トレーニング中に遭遇しない新しいリレーションに一般化できるREモデルを開発することである。 本稿では,大規模言語モデル(LLM)に基づくOpenREフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 33.390431878938124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of open relation extraction (OpenRE) is to develop an RE model that can generalize to new relations not encountered during training. Existing studies primarily formulate OpenRE as a clustering task. They first cluster all test instances based on the similarity between the instances, and then manually assign a new relation to each cluster. However, their reliance on human annotation limits their practicality. In this paper, we propose an OpenRE framework based on large language models (LLMs), which directly predicts new relations for test instances by leveraging their strong language understanding and generation abilities, without human intervention. Specifically, our framework consists of two core components: (1) a relation discoverer (RD), designed to predict new relations for test instances based on \textit{demonstrations} formed by training instances with known relations; and (2) a relation predictor (RP), used to select the most likely relation for a test instance from $n$ candidate relations, guided by \textit{demonstrations} composed of their instances. To enhance the ability of our framework to predict new relations, we design a self-correcting inference strategy composed of three stages: relation discovery, relation denoising, and relation prediction. In the first stage, we use RD to preliminarily predict new relations for all test instances. Next, we apply RP to select some high-reliability test instances for each new relation from the prediction results of RD through a cross-validation method. During the third stage, we employ RP to re-predict the relations of all test instances based on the demonstrations constructed from these reliable test instances. Extensive experiments on three OpenRE datasets demonstrate the effectiveness of our framework. We release our code at https://github.com/XMUDeepLIT/LLM-OREF.git.
• Abstract（参考訳）: オープンリレーション抽出(OpenRE)の目的は、トレーニング中に遭遇しない新しいリレーションに一般化できるREモデルを開発することである。 既存の研究は主にクラスタリングタスクとしてOpenREを定式化している。 まず、すべてのテストインスタンスをインスタンス間の類似性に基づいてクラスタ化し、次に、各クラスタに新しい関係を手動で割り当てる。 しかし、人間のアノテーションへの依存は実用性を制限している。 本稿では,大規模言語モデル(LLM)に基づくOpenREフレームワークを提案する。 具体的には、(1)既知の関係を持つインスタンスのトレーニングによって生成されたテストインスタンスの新たな関係を予測するために設計された関係発見者(RD)と、(2)テストインスタンスの最も可能性が高い関係を選択するために使用される関係予測者(RP)の2つのコアコンポーネントから構成される。 新たな関係を予測するためのフレームワークの能力を高めるため,関係発見,関係認知,関係予測という3段階からなる自己補正型推論戦略を設計した。 最初の段階では、RDを使って全てのテストインスタンスに対する新しい関係を予備的に予測します。 次に RP を用いて,RD の予測結果から各新関係に対する信頼性の高いテストインスタンスを選択する。 第3段階では、信頼できるテストインスタンスから構築されたデモに基づいて、すべてのテストインスタンスの関係を予測するためにRPを使用します。 3つのOpenREデータセットに関する大規模な実験は、我々のフレームワークの有効性を示しています。 コードをhttps://github.com/XMUDeepLIT/LLM-OREF.gitでリリースします。

関連論文リスト

• ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction [69.74158631862652]
  イベント関係抽出(ERE)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 複数種類の事象関係の連成抽出のためのプロトタイプ強化マッチング(ProtoEM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:26:06Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• PromptORE -- A Novel Approach Towards Fully Unsupervised Relation Extraction [0.0]
  教師なし関係抽出(RE)は、トレーニング中にラベル付きデータにアクセスすることなく、テキスト内のエンティティ間の関係を識別することを目的としている。 本稿では,'Prompt-based Open Relation extract'モデルであるPromptOREを提案する。 我々は、新しいプロンプトチューニングパラダイムを教師なしの設定に適応させ、関係を表す文を埋め込む。 PromptOREは,B,V,ARIの40%以上の増加率を持つ最先端モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2023-03-24T12:55:35Z)
• PCRED: Zero-shot Relation Triplet Extraction with Potential Candidate Relation Selection and Entity Boundary Detection [11.274924966891842]
  ゼロショット関係三重項抽出(ZeroRTE)は、非構造化テキストから関係三重項を抽出することを目的としている。 従来の最先端の手法は、事前訓練された言語モデルを利用して、追加のトレーニングサンプルとしてデータを生成することで、この困難なタスクを処理する。 我々は,この課題を新たな視点から解決し,候補関係選択とエンティティ境界検出を併用した PCRED for ZeroRTE という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-11-26T04:27:31Z)
• Relation Extraction as Open-book Examination: Retrieval-enhanced Prompt Tuning [109.7767515627765]
  本稿では,関係抽出のための新たな半パラメトリックなプロンプトチューニング手法を提案する。 我々のモデルは、トレーニング中に重みに格納された知識を通して関係を推測する。 本手法は,標準的な教師付き設定と少数ショット設定の両方で最先端を実現することができる。
  論文  参考訳（メタデータ） (2022-05-04T23:38:37Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Clustering-based Unsupervised Generative Relation Extraction [3.342376225738321]
  クラスタリングに基づく教師なし生成関係抽出フレームワーク(CURE)を提案する。 我々は「エンコーダ・デコーダ」アーキテクチャを用いて自己教師付き学習を行い、エンコーダが関係情報を抽出できるようにする。 我々のモデルは、ニューヨーク・タイムズ(NYT)と国連並列コーパス(UNPC)の標準データセットにおいて、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-09-26T20:36:40Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。