論文の概要: Exploring Scholarly Data by Semantic Query on Knowledge Graph Embedding Space

• arxiv url: http://arxiv.org/abs/1909.08191v3
• Date: Fri, 15 Aug 2025 22:37:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.24195
• Title: Exploring Scholarly Data by Semantic Query on Knowledge Graph Embedding Space
• Title（参考訳）: 知識グラフ埋め込み空間のセマンティック検索による学習データ探索
• Authors: Hung Nghiep Tran, Atsuhiro Takasu,
• Abstract要約: 近年、知識グラフは異質な実体とその関係に関する知識を表現する普遍的なデータ形式として出現している。 知識グラフ埋め込み空間のセマンティック構造は十分に研究されていないので、知識グラフ埋め込み法は通常知識グラフ補完にのみ使用される。 本稿では,これらの意味構造を単語埋め込み空間に基づいて解析し,データ探索を支援することを提案する。
• 参考スコア（独自算出の注目度）: 5.647577824219207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The trends of open science have enabled several open scholarly datasets which include millions of papers and authors. Managing, exploring, and utilizing such large and complicated datasets effectively are challenging. In recent years, the knowledge graph has emerged as a universal data format for representing knowledge about heterogeneous entities and their relationships. The knowledge graph can be modeled by knowledge graph embedding methods, which represent entities and relations as embedding vectors in semantic space, then model the interactions between these embedding vectors. However, the semantic structures in the knowledge graph embedding space are not well-studied, thus knowledge graph embedding methods are usually only used for knowledge graph completion but not data representation and analysis. In this paper, we propose to analyze these semantic structures based on the well-studied word embedding space and use them to support data exploration. We also define the semantic queries, which are algebraic operations between the embedding vectors in the knowledge graph embedding space, to solve queries such as similarity and analogy between the entities on the original datasets. We then design a general framework for data exploration by semantic queries and discuss the solution to some traditional scholarly data exploration tasks. We also propose some new interesting tasks that can be solved based on the uncanny semantic structures of the embedding space.
• Abstract（参考訳）: オープンサイエンスのトレンドは、数百万の論文や著者を含むいくつかのオープンな学術データセットを可能にした。 このような大規模で複雑なデータセットを効果的に管理、探索、利用することは難しい。 近年、知識グラフは異質な実体とその関係に関する知識を表現する普遍的なデータ形式として出現している。 知識グラフは知識グラフ埋め込み法によってモデル化することができ、それは実体と関係を意味空間の埋め込みベクトルとして表現し、これらの埋め込みベクトル間の相互作用をモデル化する。 しかし、知識グラフ埋め込み空間のセマンティック構造は十分に研究されていないため、知識グラフ埋め込み法は通常、知識グラフ補完にのみ使用されるが、データ表現や分析には使われない。 本稿では,これらの意味構造をよく研究された単語埋め込み空間に基づいて解析し,データ探索を支援することを提案する。 また、知識グラフ埋め込み空間における埋め込みベクトル間の代数的操作であるセマンティッククエリを定義し、元のデータセット上のエンティティ間の類似性や類似性などのクエリを解決する。 次に、セマンティッククエリによるデータ探索のための一般的なフレームワークを設計し、従来のデータ探索タスクの解決策について議論する。 また,埋め込み空間の特異な意味構造に基づいて解決できる興味深いタスクを提案する。

関連論文リスト

• Knowledge Graphs: The Future of Data Integration and Insightful Discovery [0.0]
  知識グラフはポイントをリンクすることでデータを整理し、研究者は多様な情報ソースを単一のデータベースにまとめることができる。 構造化されていないデータソースに固有の複雑な関係を捉え、多様なエンティティのセマンティックなフレームワークを提供する。 知識グラフを開発するための戦略としては、シードデータの使用、名前付きエンティティ認識、関係抽出などがある。
  論文  参考訳（メタデータ） (2024-12-17T19:49:33Z)
• Dissecting embedding method: learning higher-order structures from data [0.0]
  データ学習のための幾何学的深層学習法は、しばしば特徴空間の幾何学に関する仮定のセットを含む。 これらの仮定と、データが離散的で有限であるという仮定は、いくつかの一般化を引き起こし、データとモデルの出力の間違った解釈を生み出す可能性がある。
  論文  参考訳（メタデータ） (2024-10-14T08:19:39Z)
• Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
  知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。 本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。 BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
  論文  参考訳（メタデータ） (2024-10-09T10:20:54Z)
• The Ontoverse: Democratising Access to Knowledge Graph-based Data Through a Cartographic Interface [33.861478826378054]
  我々は地理的視覚化と階層的に構造化されたドメイン知識に依存したデータナビゲーションにユニークなアプローチを開発した。 提案手法は自然言語処理技術を用いて,基礎となるデータから名前付きエンティティを抽出し,関連する意味領域参照やナビゲーション構造に対して正規化する。 これにより、エンドユーザは、ニーズに関連するエンティティを識別し、広範なグラフ分析にアクセスできるようになる。
  論文  参考訳（メタデータ） (2024-07-22T10:29:25Z)
• Survey on Embedding Models for Knowledge Graph and its Applications [0.0]
  知識グラフ(KG)は、ノードが現実世界の実体や抽象的な概念を表現し、エッジが実体間の関係を表現する世界の事実を表現するグラフベースのデータ構造である。 知識グラフ埋め込みは、それらの間の意味的関係をキャプチャすることで、低次元ベクトル空間における実体と関係を表現することによって、欠点に取り組む。 ここでは、意味的特性、スコアリング機能、使用するアーキテクチャに基づいて異なる翻訳ベースとニューラルネットワークベースの埋め込みモデルについて議論する。
  論文  参考訳（メタデータ） (2024-04-14T07:15:59Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
  グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。 人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。 意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
  論文  参考訳（メタデータ） (2021-01-26T08:19:03Z)
• A Survey of Embedding Space Alignment Methods for Language and Knowledge Graphs [77.34726150561087]
  単語,文,知識グラフの埋め込みアルゴリズムに関する現在の研究状況について調査する。 本稿では、関連するアライメント手法の分類と、この研究分野で使用されるベンチマークデータセットについて論じる。
  論文  参考訳（メタデータ） (2020-10-26T16:08:13Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。