論文の概要: Dynamically Acquiring Text Content to Enable the Classification of Lesser-known Entities for Real-world Tasks

• arxiv url: http://arxiv.org/abs/2604.22325v1
• Date: Fri, 24 Apr 2026 07:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.389575
• Title: Dynamically Acquiring Text Content to Enable the Classification of Lesser-known Entities for Real-world Tasks
• Title（参考訳）: 実世界の課題における未知のエンティティの分類を可能にするテキストコンテンツの動的取得
• Authors: Fahmida Alam, Ellen Riloff,
• Abstract要約: 既存の自然言語処理(NLP)リソースは、実世界の問題に必要なタスク固有の情報を欠いていることが多い。 ウェブと大規模言語モデル(LLM)を利用する新しいテキスト取得手法を提案する。 我々の最高の業績モデルは、SICコードおよび医療分類コード分類タスクにおいて、平均82.3%と72.9%のF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 7.462578378596902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing Natural Language Processing (NLP) resources often lack the task-specific information required for real-world problems and provide limited coverage of lesser-known or newly introduced entities. For example, business organizations and health care providers may need to be classified into a variety of different taxonomic schemes for specific application tasks. Our goal is to enable domain experts to easily create a task-specific classifier for entities by providing only entity names and gold labels as training data. Our framework then dynamically acquires descriptive text about each entity, which is subsequently used as the basis for producing a text-based classifier. We propose a novel text acquisition method that leverages both web and large language models (LLMs). We evaluate our proposed framework on two classification problems in distinct domains: (i) classifying organizations into Standard Industrial Classification (SIC) Codes, which categorize organizations based on their business activities; and (ii) classifying healthcare providers into healthcare provider taxonomy codes, which represent a provider's medical specialty and area of practice. Our best-performing model achieved macro-averaged F1-scores of 82.3% and 72.9% on the SIC code and healthcare taxonomy code classification tasks, respectively.
• Abstract（参考訳）: 既存の自然言語処理(NLP)リソースは、実世界の問題に必要なタスク固有の情報を欠くことが多く、あまり知られていない、あるいは新しく導入されたエンティティの限られた範囲を提供している。 例えば、ビジネス組織や医療提供者は、特定のアプリケーションタスクのために、さまざまな分類体系に分類する必要があります。 私たちの目標は、エンティティ名とゴールドラベルのみをトレーニングデータとして提供することで、ドメインの専門家がエンティティのタスク固有の分類器を簡単に作成できるようにすることです。 このフレームワークは、各エンティティに関する記述的テキストを動的に取得し、その後、テキストベースの分類器を作成する基盤として使用される。 本稿では,Webと大規模言語モデル(LLM)を併用した新しいテキスト取得手法を提案する。 異なる領域における2つの分類問題の枠組みを評価する。 一 組織を、事業活動に基づいて組織を分類する標準産業分類(SIC)コードに分類すること。 二 医療提供者の医療専門性及び実践領域を表す医療提供者分類コードに分類すること。 我々の最高の業績モデルは、SICコードおよび医療分類コード分類タスクにおいて、平均82.3%と72.9%のF1スコアを達成した。

関連論文リスト

• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• TELEClass: Taxonomy Enrichment and LLM-Enhanced Hierarchical Text Classification with Minimal Supervision [41.05874642535256]
  階層的なテキスト分類は、Webコンテンツ分析やセマンティックインデクシングといった幅広いアプリケーションを用いた基本的なWebテキストマイニングタスクである。 初期の研究は、大量の人間の注釈付きデータを必要とする完全あるいは半教師付き手法に重点を置いていた。 人間の努力を軽減するため、我々は最小限の監督力で階層的なテキスト分類に取り組む:各ノードのクラス名のみを唯一の監督力として利用する。
  論文  参考訳（メタデータ） (2024-02-29T22:26:07Z)
• Seed-Guided Fine-Grained Entity Typing in Science and Engineering Domains [51.02035914828596]
  科学・工学分野において,シード誘導型細粒度エンティティタイピングの課題について検討する。 まず、ラベルのないコーパスから各タイプのエンティティを抽出し、弱い監視力を高めるSETypeを提案する。 そして、リッチなエンティティをラベルなしのテキストにマッチさせ、擬似ラベル付きサンプルを取得し、見知らぬ型と見えない型の両方に推論できるテキストエンテリメントモデルを訓練する。
  論文  参考訳（メタデータ） (2024-01-23T22:36:03Z)
• Prompt Tuned Embedding Classification for Multi-Label Industry Sector Allocation [2.024620791810963]
  本研究では,マルチラベルテキスト分類のためのPrompt Tuningとベースラインの性能をベンチマークする。 企業を投資会社の独自産業分類に分類するために適用される。 このモデルのパフォーマンスは、よく知られた企業とあまり知られていない企業の両方で一貫していることを確認します。
  論文  参考訳（メタデータ） (2023-09-21T13:45:32Z)
• Classifying Organizations for Food System Ontologies using Natural Language Processing [9.462188694526134]
  環境問題に関連する組織を自動的に分類できるNLPモデルを開発した。 入力として、NLPモデルは、組織ごとにGoogle検索エンジンによって検索されるテキストスニペットが提供される。 我々はNLPモデルが知識グラフを蓄積するための情報収集に有望なアプローチであると信じている。
  論文  参考訳（メタデータ） (2023-09-19T19:07:48Z)
• TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel Topic Clusters [57.59286394188025]
  我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。 TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。 2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
  論文  参考訳（メタデータ） (2022-01-18T07:07:38Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)

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。