論文の概要: GLiNER-Relex: A Unified Framework for Joint Named Entity Recognition and Relation Extraction
- arxiv url: http://arxiv.org/abs/2605.10108v1
- Date: Mon, 11 May 2026 07:23:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.598737
- Title: GLiNER-Relex: A Unified Framework for Joint Named Entity Recognition and Relation Extraction
- Title（参考訳）: GLiNER-Relex: 複合名前付きエンティティ認識と関係抽出のための統一フレームワーク
- Authors: Ihor Stepanov, Oleksandr Lukashov, Mykhailo Shtopko, Vivek Kalyanarangan,
- Abstract要約: 本稿では,GLiNERフレームワークを拡張した統一アーキテクチャであるGLiNER-Relexを紹介する。
提案手法では,共有双方向トランスフォーマーエンコーダを用いてテキスト,エンティティタイプラベル,リレーショナルタイプラベルを共同で表現する。
我々は,4つの標準関係抽出ベンチマーク上でモデルを評価し,特殊関係抽出モデルと大規模言語モデルとの競合性能を示す。
- 参考スコア（独自算出の注目度）: 13.335094602451647
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint named entity recognition (NER) and relation extraction (RE) is a fundamental task in natural language processing for constructing knowledge graphs from unstructured text. While recent approaches treat NER and RE as separate tasks requiring distinct models, we introduce GLiNER-Relex, a unified architecture that extends the GLiNER framework to perform both entity recognition and relation extraction in a single model. Our approach leverages a shared bidirectional transformer encoder to jointly represent text, entity type labels, and relation type labels, enabling zero-shot extraction of arbitrary entity and relation types specified at inference time. GLiNER-Relex constructs entity pair representations from recognized spans and scores them against relation type embeddings using a dedicated relation scoring module. We evaluate our model on four standard relation extraction benchmarks: CoNLL04, DocRED, FewRel, and CrossRE, and demonstrate competitive performance against both specialized relation extraction models and large language models, while maintaining the computational efficiency characteristic of the GLiNER family. The model is released as an open-source Python package with a simple inference API that allows users to specify arbitrary entity and relation type labels at inference time and obtain both entities and relation triplets in a single call. All models and code are publicly available.
- Abstract（参考訳）: NER(Joint Name entity recognition)とRE(Relation extract)は、構造化されていないテキストから知識グラフを構築するための自然言語処理の基本的なタスクである。
近年のNERとREは異なるモデルを必要とするタスクとして扱われているが、GLiNER-RelexはGLiNERフレームワークを拡張して単一のモデルでエンティティ認識と関係抽出を行う統一アーキテクチャである。
提案手法では,共有双方向トランスフォーマーエンコーダを用いてテキスト,エンティティタイプラベル,リレーショナルタイプラベルを共同で表現し,任意のエンティティとリレーショナルタイプのゼロショット抽出を可能にする。
GLiNER-Relexは認識されたスパンからエンティティペア表現を構築し、専用の関係スコアリングモジュールを使用してそれらを関係型埋め込みと比較する。
我々は,4つの標準関係抽出ベンチマーク(CoNLL04,DocRED,FewRel,CrossRE)でモデルを評価し,GLiNERファミリーの計算効率特性を維持しつつ,特殊関係抽出モデルと大規模言語モデルとの競合性能を示した。
このモデルは、シンプルな推論APIを備えたオープンソースのPythonパッケージとしてリリースされており、ユーザーは推論時に任意のエンティティとリレーショナルタイプラベルを指定でき、単一の呼び出しでエンティティとリレーショナルトライレットの両方を取得することができる。
すべてのモデルとコードは公開されています。
関連論文リスト
- GLiDRE: Generalist Lightweight model for Document-level Relation Extraction [1.8628821924525962]
文書レベルの関係抽出のための新しいコンパクトモデルであるGLiDREを導入する。
低リソースの教師付きトレーニングと数ショットのメタラーニングベンチマークの両方の実験は、我々のアプローチがデータ制約のあるシナリオにおいて既存の手法よりも優れていることを示している。
私たちのコードは公開されます。
論文 参考訳（メタデータ） (2025-08-01T16:33:13Z) - CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。
以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。
複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
論文 参考訳（メタデータ） (2025-04-25T02:40:48Z) - 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) - Mutually Guided Few-shot Learning for Relational Triple Extraction [10.539566491939844]
三重抽出(MG-FTE)のための相互指導型Few-shot学習フレームワーク
本手法は,関係を分類するエンティティ誘導型リレーショナルデコーダと,エンティティを抽出するプロトデコーダとから構成される。
FewRel 1.0(単一ドメイン)では12.6F1スコア、FewRel 2.0(クロスドメイン)では20.5F1スコアで、多くの最先端手法よりも優れています。
論文 参考訳（メタデータ） (2023-06-23T06:15:54Z) - RelationPrompt: Leveraging Prompts to Generate Synthetic Data for
Zero-Shot Relation Triplet Extraction [65.4337085607711]
ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。
入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。
本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
論文 参考訳（メタデータ） (2022-03-17T05:55:14Z) - Entity Relation Extraction as Dependency Parsing in Visually Rich
Documents [18.67730663266417]
一般的な依存性解析モデルであるbiaffineを,このエンティティ関係抽出タスクに適用する。
単語間の依存関係関係を認識する依存性解析モデルとは異なることから,単語群間の関係をレイアウト情報で識別する。
実世界のアプリケーションについては、本モデルが社内の税関データに適用され、プロダクション環境で信頼性の高い性能を実現している。
論文 参考訳（メタデータ） (2021-10-19T12:26:40Z) - Pack Together: Entity and Relation Extraction with Levitated Marker [61.232174424421025]
エンコーダにマーカを戦略的にパッケージ化することにより,スパン(ペア)間の依存関係を検討するために,Packed Levitated Markersという新しいスパン表現手法を提案する。
実験の結果,3つの平坦なNERタスクにおいて,有望なマーカーが充填されたモデルの方がシーケンスラベルモデルよりも0.4%-1.9%優れ,トークンコンキャットモデルを6つのNERベンチマークで上回っていることがわかった。
論文 参考訳（メタデータ） (2021-09-13T15:38:13Z) - Neural Production Systems [90.75211413357577]
視覚環境は、異なるオブジェクトまたはエンティティから構成される。
イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。
私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。
このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
論文 参考訳（メタデータ） (2021-03-02T18:53:20Z) - Relation Extraction with Contextualized Relation Embedding (CRE) [6.030060645424665]
本稿では,意味情報と知識ベースモデリングを統合した関係抽出タスクのアーキテクチャを提案する。
本稿では、関係抽出においてKBモデリングを内部化するモデルアーキテクチャを提案する。
提案したCREモデルは、The New York Times Annotated CorpusとFreeBaseから派生したデータセット上でのアートパフォーマンスの状態を達成している。
論文 参考訳（メタデータ） (2020-11-19T05:19:46Z) - 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) - HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。
実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。
さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
論文 参考訳（メタデータ） (2020-08-28T18:58:15Z)
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。