論文の概要: TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced
Graph Neural Network
- arxiv url: http://arxiv.org/abs/2001.09522v1
- Date: Sun, 26 Jan 2020 21:30:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 19:19:10.101622
- Title: TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced
Graph Neural Network
- Title（参考訳）: TaxoExpan: グラフニューラルネットワークによる自己教師型分類の拡張
- Authors: Jiaming Shen, Zhihong Shen, Chenyan Xiong, Chi Wang, Kuansan Wang,
Jiawei Han
- Abstract要約: 分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。
そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。
本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
- 参考スコア（独自算出の注目度）: 62.12557274257303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Taxonomies consist of machine-interpretable semantics and provide valuable
knowledge for many web applications. For example, online retailers (e.g.,
Amazon and eBay) use taxonomies for product recommendation, and web search
engines (e.g., Google and Bing) leverage taxonomies to enhance query
understanding. Enormous efforts have been made on constructing taxonomies
either manually or semi-automatically. However, with the fast-growing volume of
web content, existing taxonomies will become outdated and fail to capture
emerging knowledge. Therefore, in many applications, dynamic expansions of an
existing taxonomy are in great demand. In this paper, we study how to expand an
existing taxonomy by adding a set of new concepts. We propose a novel
self-supervised framework, named TaxoExpan, which automatically generates a set
of <query concept, anchor concept> pairs from the existing taxonomy as training
data. Using such self-supervision data, TaxoExpan learns a model to predict
whether a query concept is the direct hyponym of an anchor concept. We develop
two innovative techniques in TaxoExpan: (1) a position-enhanced graph neural
network that encodes the local structure of an anchor concept in the existing
taxonomy, and (2) a noise-robust training objective that enables the learned
model to be insensitive to the label noise in the self-supervision data.
Extensive experiments on three large-scale datasets from different domains
demonstrate both the effectiveness and the efficiency of TaxoExpan for taxonomy
expansion.
- Abstract（参考訳）: 分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。
例えば、オンライン小売業者(AmazonやeBayなど)は製品レコメンデーションに分類学を使用し、Web検索エンジン(GoogleやBingなど)は分類学を利用してクエリ理解を強化する。
手動または半自動で分類法を構築するための多大な努力がなされている。
しかし、Webコンテンツの急増に伴い、既存の分類体系は時代遅れになり、新たな知識の獲得に失敗する。
したがって、多くの応用において、既存の分類学の動的拡張は非常に要求される。
本稿では,新しい概念を加えることで,既存の分類をどう拡張するかを検討する。
そこで我々は,既存の分類学から<query concept, anchor concept>ペアを自動生成する,TaxoExpanという新しい自己教師型フレームワークを提案する。
このような自己超越データを用いてTaxoExpanは、クエリの概念がアンカーの概念の直接的な仮説であるかどうかを予測するモデルを学ぶ。
我々は,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置エンハンスグラフニューラルネットワーク,(2)学習モデルを自己スーパービジョンデータにおけるラベルノイズに無感化させるノイズロバスト訓練目的の2つの革新的手法を開発した。
異なる領域の3つの大規模データセットに対する大規模な実験は、分類学の拡張のためのTaxoExpanの有効性と効率を実証している。
関連論文リスト
- Towards Visual Taxonomy Expansion [50.462998483087915]
本稿では,分類拡張タスクに視覚的特徴を導入し,VTE(Visual Taxonomy Expansion)を提案する。
テキストと視覚のセマンティクスをクラスタリングするためのテキストハイパーネミー学習タスクとビジュアルプロトタイプ学習タスクを提案する。
提案手法を2つのデータセットで評価し,有意な結果を得た。
論文 参考訳（メタデータ） (2023-09-12T10:17:28Z) - Learning What You Need from What You Did: Product Taxonomy Expansion
with User Behaviors Supervision [21.649258076884927]
我々は,既存の分類学に新たな概念を付加するための,自己監督的かつユーザ行動指向の製品拡張フレームワークを提案する。
本フレームワークは,ユーザの意図や認識に合致した偽名関係を抽出する。
本手法は実世界の製品のサイズを88%のセマンティック精度で39,263から94,698に拡大する。
論文 参考訳（メタデータ） (2022-03-28T17:17:50Z) - TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic
Representations [28.65753036636082]
本稿では,既存の分類学における意味的特徴と構造的情報の両方を効果的に活用する新しい分類学補完フレームワークを提案する。
分類エンリッチは,(1)概念の意味的意味と分類学的関係を,強力な事前学習言語モデルに基づいて組み込んだ分類記述型埋め込み,(2)分類の構造情報を符号化して候補位置表現を学習する分類認識シーケンシャルエンコーダの4つの構成要素から構成される。
異なるドメインからの4つの大規模な実世界のデータセットの実験は、TaxoEnrichがすべての評価指標の中で最高のパフォーマンスを達成し、過去の最先端よりも大きなマージンでパフォーマンスを向上していることを示している。
論文 参考訳（メタデータ） (2022-02-10T08:10:43Z) - 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) - Who Should Go First? A Self-Supervised Concept Sorting Model for
Improving Taxonomy Expansion [50.794640012673064]
データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。
分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。
本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
論文 参考訳（メタデータ） (2021-04-08T11:00:43Z) - Taxonomy Completion via Triplet Matching Network [18.37146040410778]
我々は,クエリのハイパーニム概念とハイポニム概念の両方を発見することで,新しいタスクである「タキソノミー補完」を定式化する。
与えられたクエリの概念に対して適切なハイパーニム, hyponym> ペアを見つけるために,Triplet Matching Network (TMN) を提案する。
TMNは、既存の方法よりも優れた、分類完了タスクと以前の分類拡張タスクの両方で最高のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-01-06T07:19:55Z) - Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。
本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。
Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
論文 参考訳（メタデータ） (2020-06-18T04:53:07Z) - STEAM: Self-Supervised Taxonomy Expansion with Mini-Paths [53.45704816829921]
本稿では,STEAMという自己管理型分類拡張モデルを提案する。
STEAMは自然の自己超越信号を生成し、ノードアタッチメント予測タスクを定式化する。
実験の結果、STEAMは11.6%の精度と7.0%の相反ランクで、最先端の分類法よりも優れていた。
論文 参考訳（メタデータ） (2020-06-18T00:32:53Z)
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。