要約
【タイトル】- 記述的関係プロンプトを用いた対照学習による文レベルの関係抽出
【要約】- 文レベルの関係抽出は、与えられた文で2つのエンティティ間の関係を特定することを目的としています。既存の研究は、主により良いエンティティ表現を取得し、関係抽出用のマルチラベル分類器を採用することに焦点を当てています。これらの研究の主な制限は、背景の関係知識とエンティティタイプと候補関係の相互関係を無視していることです。この研究では、エンティティ情報、関係知識、およびエンティティタイプの制限を共同して考慮する新しいパラダイム、記述的関係プロンプトを用いた対照学習(CTL-DRP)を提案します。特に、改良されたエンティティマーカーと記述的関係プロンプトを導入してコンテキスト埋め込みを生成し、対照的学習を利用して制限付きの候補関係をランク付けします。CTL-DRPはTACREDで競争力のあるF1スコア76.7%を獲得します。さらに、新しい提案されたパラダイムは、TACREVとRe-TACREDのF1スコアがそれぞれ85.8%と91.6%と、両方とも最新技術水準のパフォーマンスを達成しています。
【要点】
– 文レベルの関係抽出は、文の2つのエンティティの関係を特定することを目的とする。
– 既存の研究では、エンティティ表現を改善し、マルチラベル分類器を利用しているが、背景の関係知識やエンティティタイプと候補関係の相互関係を無視している問題を抱える。
– 新しいパラダイムとして、記述的関係プロンプトを導入した対照学習(CTL-DRP)を提案する。
– CTL-DRPでは、改良されたエンティティマーカーや記述的関係プロンプトを使用して、制限付きの候補関係をランク付けする。
– CTL-DRPはTACREDで76.7%のF1スコアを獲得し、TACREVとRe-TACREDではそれぞれ85.8%と91.6%のF1スコアを達成し、最新技術水準のパフォーマンスを持つ。
要約(オリジナル)
Sentence-level relation extraction aims to identify the relation between two entities for a given sentence. The existing works mostly focus on obtaining a better entity representation and adopting a multi-label classifier for relation extraction. A major limitation of these works is that they ignore background relational knowledge and the interrelation between entity types and candidate relations. In this work, we propose a new paradigm, Contrastive Learning with Descriptive Relation Prompts(CTL-DRP), to jointly consider entity information, relational knowledge and entity type restrictions. In particular, we introduce an improved entity marker and descriptive relation prompts when generating contextual embedding, and utilize contrastive learning to rank the restricted candidate relations. The CTL-DRP obtains a competitive F1-score of 76.7% on TACRED. Furthermore, the new presented paradigm achieves F1-scores of 85.8% and 91.6% on TACREV and Re-TACRED respectively, which are both the state-of-the-art performance.
arxiv情報
著者 | Jiewen Zheng,Ze Chen |
発行日 | 2023-04-11 02:15:13+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, OpenAI