@正在进行{nguyen-etal-2021-杂交,title=“图卷积网络联合信息提取的跨任务实例表示交互和标签依赖”,author=“Nguyen、Minh Van和赖、越南达卡和Nguyen,Thien Huu“,editor=“Toutanova、Kristina和伦希斯基、安娜和Zettlemoyer、Luke和Hakkani-Tur、Dilek和贝尔塔基、伊茨和Bethard、Steven和科特雷尔、瑞恩和查克拉波蒂、坦莫伊和周一超”,booktitle=“计算语言学协会北美分会2021年会议记录:人类语言技术”,月=六月,年=“2021”,address=“在线”,publisher=“计算语言学协会”,url=“https://aclantology.org/2021.naacl-main.3”,doi=“10.18653/v1/2021.naacl-main.3”,pages=“27--38”,abstract=“现有的信息提取工作主要分别解决了四个主要任务(实体提及识别、关系提取、事件触发检测和参数提取)从而无法从任务之间的相互依赖性中获益。本文提出了一种新的深度学习模型,在一个模型(称为FourIE)中同时解决IE的四个任务。与之前很少有关于联合执行四个IE任务的工作相比,FourIE在捕获任务之间的相互依赖性方面有两个新的贡献。首先,在表示层,我们在四个任务的实例之间引入一个交互图,用于用其他任务的相关实例来丰富一个实例的预测表示。其次,在标签级别,我们提出了四个IE任务中信息类型的依赖关系图,该依赖关系图捕获了输入语句中表示的类型之间的连接。引入了一种新的正则化机制来增强黄金依赖图和预测型依赖图之间的一致性,以改进表示学习。我们表明,该模型在三种不同语言的单语和多语言学习环境下实现了联合IE的最先进性能。",}
<?xml版本=“1.0”编码=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“nguyen-etal-2021-cross”><标题信息>图卷积网络联合信息提取的跨任务实例表示交互和标签依赖</titleInfo><name type=“personal”>Minh(Minh)货车阮<namePart type=“family”>阮</namePart><角色>作者</角色></name><name type=“personal”>越南<namePart type=“given”>Dac</namePart>赖<角色>作者</角色></name><name type=“personal”>蒂恩<namePart type=“given”>Huu</namePart>简体中文阮<namePart type=“family”>阮</namePart><角色>作者</角色></name><originInfo><发布日期>2021-06</发布日期></originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会北美分会2021年会议记录:人类语言技术</titleInfo><name type=“personal”>克里斯蒂娜图塔诺娃<角色>编辑器</角色></name><name type=“personal”>安娜<namePart type=“family”>Rumshisky</namePart><角色>编辑器</角色></name><name type=“personal”><namePart type=“given”>卢克</namePart>Zettlemoyer公司<角色>编辑器</角色></name><name type=“personal”>Dilek(Dilek)哈卡尼·图尔<角色>编辑器</角色></name><name type=“personal”>Iz</namePart>贝尔塔基<角色>编辑器</角色></name><name type=“personal”>史蒂文贝瑟德<角色>编辑器</角色></name><name type=“personal”>Ryan科特雷尔<角色>编辑器</角色></name><name type=“personal”>坦莫伊查克拉波蒂<角色>编辑器</角色></name><name type=“personal”>宜昌<namePart type=“family”>周<角色>编辑器</角色></name><originInfo>计算语言学协会<地点>在线</place></originInfo>会议出版物</relatedItem>现有的信息提取(IE)工作主要分别解决了四个主要任务(实体提及识别、关系提取、事件触发检测和参数提取),因此无法从任务之间的相互依赖中获益。本文提出了一种新的深度学习模型,在一个模型(称为FourIE)中同时解决IE的四个任务。与之前很少有关于联合执行四个IE任务的工作相比,FourIE在捕获任务之间的相互依赖性方面有两个新的贡献。首先,在表示层,我们在四个任务的实例之间引入一个交互图,用于用其他任务的相关实例来丰富一个实例的预测表示。其次,在标签级别,我们提出了四个IE任务中信息类型的依赖关系图,该依赖关系图捕获了输入语句中表示的类型之间的连接。引入了一种新的正则化机制来增强黄金依赖图和预测型依赖图之间的一致性,以改进表示学习。我们表明,该模型在三种不同语言的单语和多语言学习环境下实现了联合IE的最先进性能</摘要>nguyen-etal-2021-交叉10.18653/v1/2021.naacl-main.3<位置><网址>https://aclantology.org/2021.naacl-main.3</url></位置><部分>2021-06年<扩展单元=“page”><开始>27</开始><end>38</范围></部分></mods></modsCollection>
%0会议记录%图卷积网络联合信息提取的T跨任务实例表示交互和标签依赖%阿阮明文%越南阿来%阮天虎%克里斯蒂娜·托塔诺娃%Y Rumshisky,安娜%Y Zettlemoyer,卢克%Y Hakkani-Tur、Dilek%伊茨贝尔塔基%Y Bethard,Steven%Y Cotterell,瑞安%Y查克拉博蒂,坦莫伊%Yu Zhou,宜昌%计算语言学协会北美分会2021年会议记录:人类语言技术%D 2021年%6月8日%计算语言学协会%C在线%F nguyen-etal-2021-交叉%X现有的信息提取(IE)工作主要分别解决了四个主要任务(实体提及识别、关系提取、事件触发检测和参数提取),因此无法从任务之间的相互依赖中获益。本文提出了一种新的深度学习模型,在一个模型(称为FourIE)中同时解决IE的四个任务。与之前很少有关于联合执行四个IE任务的工作相比,FourIE在捕获任务之间的相互依赖性方面有两个新的贡献。首先,在表示层,我们在四个任务的实例之间引入一个交互图,用于用其他任务的相关实例来丰富一个实例的预测表示。其次,在标签级别,我们提出了四个IE任务中信息类型的依赖关系图,该依赖关系图捕获了输入语句中表示的类型之间的连接。引入了一种新的正则化机制来增强黄金依赖图和预测型依赖图之间的一致性,以改进表示学习。我们表明,该模型在三种不同语言的单语和多语言学习环境下实现了联合IE的最先进性能。%R 10.18653/v1/2021.naacl-main.3号机组%U型https://aclantology.org/2021.naacl-main.3%U型https://doi.org/10.18653/v1/2021.naacl-main.3%第27-38页
降价(非正式)
[图卷积网络联合信息提取的跨任务实例表示交互和标签依赖](https://aclantology.org/2021.naacl-main.3)(Nguyen等人,NAACL 2021)
国际计算语言学协会