論文の概要: ReaORE: Reasoning-Guided Progressive Open Relation Extraction Empowered by Large Reasoning Models

• arxiv url: http://arxiv.org/abs/2606.26986v1
• Date: Thu, 25 Jun 2026 12:59:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.288045
• Title: ReaORE: Reasoning-Guided Progressive Open Relation Extraction Empowered by Large Reasoning Models
• Title（参考訳）: ReaORE:大規模推論モデルを利用した推論誘導プログレッシブオープンリレーション抽出
• Abstract要約: ReaORE(Reasoning-guided Progress OpenRE)は、粗い関係推論を通じて関係抽出を行うためのフレームワークである。 ReaOREは関係フィルタリングと関係予測という2つの重要な段階から構成される。 2つの広く使用されているOpenREデータセットの実験は、ReaOREが既存のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 31.574557765588096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open Relation Extraction (OpenRE) requires a model to extract unseen relations between head and tail entities from unstructured text for real-world applications. The core challenge of OpenRE lies in achieving reliable generalization to unseen relation types. Current OpenRE approaches either employ clustering techniques, which cannot generate relation labels and suffer from poor generalization, or rely on direct relation label generation via Large Language Models (LLMs), which lack sufficient discriminative capacity to distinguish easily confused relations. To address these limitations, we propose Reasoning-guided progressive OpenRE (ReaORE), a framework for performing relation extraction through coarse-to-fine relation reasoning. Specifically, ReaORE consists of two key stages: (i) relation filtering, which reasons over multiple aspects to understand relations and instances, yielding an initial relation set, and further supplements and filters relations via embedding-based similarity to ensure the target relation is included; (ii) relation prediction, which aims to predict the target relations from the above set via fine-grained comparative reasoning to better distinguish easily confused relations. Extensive experiments on two widely used OpenRE datasets demonstrate that ReaORE outperforms existing baselines.
• Abstract（参考訳）: Open Relation extract (OpenRE) は、現実世界のアプリケーションのために、構造化されていないテキストから、頭と尾のエンティティ間の見えない関係を抽出するモデルを必要とする。 OpenREの中核的な課題は、見当たらない関係型への信頼性の高い一般化を実現することである。 現在のOpenREアプローチでは、関係ラベルの生成ができず、一般化が不十分なクラスタリング技術を採用するか、あるいはLarge Language Models (LLMs) による直接関係ラベル生成に依存している。 これらの制約に対処するために、粗大な関係推論による関係抽出を行うフレームワークであるReaORE(Reasoning-guided Progress OpenRE)を提案する。 具体的には、ReaOREは2つの重要なステージから構成される。 一 関係を複数の面から理解し、初期関係集合を生じさせ、さらに、目的関係を確実に含めるように埋め込みに基づく類似性を通じて関係を補足し、フィルタリングする関係フィルタリング (II)関係予測は, より微粒な比較推論により, 混乱しやすい関係をよりよく区別し, 上記の集合から対象関係を予測することを目的としている。 2つの広く使用されているOpenREデータセットに関する大規模な実験は、ReaOREが既存のベースラインを上回っていることを示している。

関連論文リスト

• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Document-level Relation Extraction with Relation Correlations [15.997345900917058]
  文書レベルの関係抽出は,長期問題と複数ラベル問題という,見落とされた2つの課題に直面している。 関係の共起相関を解析し,DocREタスクに初めて導入する。
  論文  参考訳（メタデータ） (2022-12-20T11:17:52Z)
• HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised Relation Extraction [63.64877263289319]
  非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文からエンティティ間の関係を抽出することを目的としている。 本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。 2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-05-04T17:56:48Z)
• Learning Relation-Specific Representations for Few-shot Knowledge Graph Completion [24.880078645503417]
  本稿では,三重項のグラフコンテキストを利用して関係と実体のセマンティック情報を同時に取得する関係特化文脈学習フレームワークを提案する。 2つの公開データセットの実験結果は、RSCLが最先端のFKGC法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-22T11:45:48Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Element Intervention for Open Relation Extraction [27.408443348900057]
  OpenREは、同じ基盤となる関係を参照する関係インスタンスをクラスタ化することを目的としている。 現在のOpenREモデルは、一般的に遠隔監視から生成されたデータセットに基づいてトレーニングされている。 本稿では,OpenREの手順を因果的観点から再考する。
  論文  参考訳（メタデータ） (2021-06-17T14:37:13Z)
• 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)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Improving Long-Tail Relation Extraction with Collaborating Relation-Augmented Attention [63.26288066935098]
  本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。 一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
  論文  参考訳（メタデータ） (2020-10-08T05:34:43Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。