要約
最近の研究努力により、関係抽出（RE）を強化するための自然言語推論（NLI）手法を活用する可能性が調査されています。
この流れでは、NLIの原則を活用してREパフォーマンスを向上させる新しい適応方法であるMetaentailreを紹介します。
私たちのアプローチは、関係のクラスを階級指向性の仮説に言葉で言語化することにより、過去の作品に続き、伝統的にマルチクラス分類タスクをテキストの巻き込みの1つに合わせます。
3つの重要な拡張機能を紹介します。（1）メタクラス分析は、非営業の前提型式のペアをあまり有益でない「ニュートラル」含意ラベルとラベル付けする代わりに、クラス間の包括的なメタ関係を分析することにより、追加のコンテキストを提供します。
（2）データから派生したドメイン知識に基づく考慮事項からありそうもない仮説を除去する実行可能な仮説フィルタリング。
（3）グループベースの予測選択。これにより、自信の高い予測を選択することでパフォーマンスがさらに向上します。
Metaentailreは概念的にシンプルで経験的に強力であり、従来の関係抽出技術やその他のNLI製剤よりも大幅に改善されています。
生物医学と一般的なドメインの両方でメタテンテールの汎用性を強調している、従来の方法と比較して、バイオールで17.6ポイント、レタクレッドで13.4ポイントの驚くほど大きなF1ゲインが観察されています。
要約(オリジナル)
Recent research efforts have explored the potential of leveraging natural language inference (NLI) techniques to enhance relation extraction (RE). In this vein, we introduce MetaEntailRE, a novel adaptation method that harnesses NLI principles to enhance RE performance. Our approach follows past works by verbalizing relation classes into class-indicative hypotheses, aligning a traditionally multi-class classification task to one of textual entailment. We introduce three key enhancements: (1) Meta-class analysis which, instead of labeling non-entailed premise-hypothesis pairs with the less informative ‘neutral’ entailment label, provides additional context by analyzing overarching meta-relationships between classes; (2) Feasible hypothesis filtering, which removes unlikely hypotheses from consideration based on domain knowledge derived from data; and (3) Group-based prediction selection, which further improves performance by selecting highly confident predictions. MetaEntailRE is conceptually simple and empirically powerful, yielding significant improvements over conventional relation extraction techniques and other NLI formulations. We observe surprisingly large F1 gains of 17.6 points on BioRED and 13.4 points on ReTACRED compared to conventional methods, underscoring the versatility of MetaEntailRE across both biomedical and general domains.
arxiv情報
| 著者 | William Hogan,Jingbo Shang |
| 発行日 | 2025-03-07 18:48:54+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google