論文の概要: A Multi-granularity Interaction Network for Relational Triple Extraction

• arxiv url: http://arxiv.org/abs/2610.26952v1
• Date: Sun, 18 Oct 2026 10:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.406568
• Title: A Multi-granularity Interaction Network for Relational Triple Extraction
• Title（参考訳）: リレーショナルトリプル抽出のための多粒性相互作用ネットワーク
• Abstract要約: 三重抽出は、実体型情報に依存することなく、原文から実体関係を識別する。 本稿では,単語・単語・エンティティ・リレーショナル・セマンティクス・ヘッドテール・インタラクションを利用した多言語インタラクションネットワークを提案する。 我々のモデルは、UnseenメトリックのNYT-R/WebNLG-Rデータセットに対する以前のアプローチに比べてF1スコアを3.1%/20.5%改善する。
• 参考スコア（独自算出の注目度）: 4.230622749635844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational triple extraction identifies entity relations from raw sentences without depending on entity type information. The performance of traditional methods is seriously degenerated by ``unseen'' entities, because these methods can't build contextual dependencies relevant ``unseen'' entities. This paper addresses this challenge by proposing a multi-granularity interaction network that leverages word-word, entity-relation, and head-tail interactions to capture deep semantic dependencies. By incorporating multiple iterations, the multi-granularity interaction network is effective to refine the representations corresponding to head and tail entities. It enhances the global semantic features associated with relational triples, aiding in the remediation of triples that may have been overlooked or omitted in earlier steps. Strong and consistent performance is achieved by our method on two rearranged datasets, with a significant improvement in identifying relational triples, including those involving ``unseen'' named entities. For example, our model improves F1-score by 3.1%/20.5% over previous approaches on the NYT-R/WebNLG-R datasets in the Unseen metric. Code: https://github.com/xiaocen-luo/Interaction-Network.
• Abstract（参考訳）: リレーショナルトリプル抽出は、エンティティタイプ情報に依存することなく、原文からエンティティ関係を識別する。 これらのメソッドは ``unseen'' エンティティに関連するコンテキスト依存を構築できないため、従来のメソッドのパフォーマンスは ``unseen' エンティティによって著しく劣化する。 本稿では,単語,エンティティ・リレーション,ヘッドテールのインタラクションを利用して,深いセマンティック依存関係をキャプチャする多言語インタラクションネットワークを提案する。 複数のイテレーションを組み込むことで、多粒性相互作用ネットワークは、頭と尾のエンティティに対応する表現を洗練するのに効果的である。 これは、リレーショナルトリプルに関連するグローバルなセマンティックな特徴を強化し、初期のステップで見過ごされたり省略された可能性があるトリプルの修復を支援する。 提案手法は,2つの再配置されたデータセットに対して,'unseen'名前のエンティティを含む関係三重項の同定において,大幅な性能向上が達成された。 例えば、我々のモデルは、UnseenメトリックのNYT-R/WebNLG-Rデータセットに対する以前のアプローチよりもF1スコアを3.1%/20.5%改善します。 コード:https://github.com/xiaocen-luo/Interaction-Network。

関連論文リスト

• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• OneNet: A Fine-Tuning Free Framework for Few-Shot Entity Linking via Large Language Model Prompting [49.655711022673046]
  OneNetは、大規模言語モデル(LLM)の少数ショット学習機能を利用する革新的なフレームワークで、微調整は不要である。 1)無関係なエンティティを要約してフィルタリングすることで入力を単純化するエンティティリダクションプロセッサ,(2)コンテキスト的キューと事前知識を組み合わせて正確なエンティティリンクを行うデュアルパースペクティブエンティティリンカ,(3)エンティティリンク推論における幻覚を緩和するユニークな一貫性アルゴリズムを利用するエンティティコンセンサス判定器,である。
  論文  参考訳（メタデータ） (2024-10-10T02:45:23Z)
• A Bi-consolidating Model for Joint Relational Triple Extraction [3.972061685570092]
  リレーショナルトリプルを抽出する現在の手法は、エンティティ認識に依存することなく、生文の可能なエンティティペアに基づいて直接予測を行う。 このタスクは、複数の関係三重項が文中に1つまたは2つの実体を共有するという深刻な意味的重なり合う問題に悩まされる。 関係三重関係に関連する局所的・大域的意味的特徴を同時に強化することにより、この問題に対処するバイコンソリデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-05T04:04:23Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
  マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。 MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
  論文  参考訳（メタデータ） (2023-07-19T02:11:19Z)

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。