論文の概要: Open Knowledge Enrichment for Long-tail Entities

• arxiv url: http://arxiv.org/abs/2002.06397v2
• Date: Wed, 19 Feb 2020 14:42:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 22:42:32.874063
• Title: Open Knowledge Enrichment for Long-tail Entities
• Title（参考訳）: ロングテールエンティティのためのオープン知識強化
• Authors: Ermei Cao and Difeng Wang and Jiacheng Huang and Wei Hu
• Abstract要約: オープンな Web から,不足するプロパティを予測し,ロングテールなエンティティの真事実を推測する,知識豊か化への本格的なアプローチを提案する。 合成および実世界のデータセットに関する実験と関連する研究との比較により,本手法の有効性と優位性を実証した。
• 参考スコア（独自算出の注目度）: 13.851102501435012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge bases (KBs) have gradually become a valuable asset for many AI applications. While many current KBs are quite large, they are widely acknowledged as incomplete, especially lacking facts of long-tail entities, e.g., less famous persons. Existing approaches enrich KBs mainly on completing missing links or filling missing values. However, they only tackle a part of the enrichment problem and lack specific considerations regarding long-tail entities. In this paper, we propose a full-fledged approach to knowledge enrichment, which predicts missing properties and infers true facts of long-tail entities from the open Web. Prior knowledge from popular entities is leveraged to improve every enrichment step. Our experiments on the synthetic and real-world datasets and comparison with related work demonstrate the feasibility and superiority of the approach.
• Abstract（参考訳）: 知識ベース(KB)は多くのAIアプリケーションにとって、徐々に価値ある資産になりつつある。 現在のKBの多くは非常に大きいが、不完全であると広く認められており、特に有名でない人物のような長い尾の実体の事実が欠如している。 既存のアプローチはKBを豊かにし、主に欠落したリンクの補完や欠落した値を埋める。 しかし、それらは濃縮問題の一部にのみ取り組み、ロングテールエンティティに関する具体的な考慮を欠いている。 本稿では,知識エンリッチメントへの本質的なアプローチを提案する。知識エンリッチメントは,属性の欠如を予測し,オープンwebからロングテールエンティティの真相を推測する。 一般的なエンティティからの以前の知識は、すべてのエンリッチメントステップを改善するために利用されます。 総合的および実世界のデータセットに関する実験と関連する研究との比較は,このアプローチの実現可能性と優越性を示している。

関連論文リスト

• Deep Outdated Fact Detection in Knowledge Graphs [13.711099395945988]
  本稿では,知識グラフ(KG)内の古い事実を識別するために設計された,新しいディープラーニングベースのフレームワークであるDEANを提案する。 DEANは、実体と関係の包括的モデリングを通じて、事実間の暗黙的な構造情報をキャプチャすることで、自分自身を区別する。 実験により, 最先端のベースライン法に対するDEANの有効性と優位性を示した。
  論文  参考訳（メタデータ） (2024-02-06T05:58:15Z)
• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• KnowledGPT: Enhancing Large Language Models with Retrieval and Storage Access on Knowledge Bases [55.942342665806656]
  KnowledGPTは、様々な知識ベースで大きな言語モデルをブリッジするための包括的なフレームワークである。 検索プロセスでは思考プロンプトプログラムを使用し,KBの検索言語をコード形式で生成する。 KnowledGPTは、個々のユーザ要求に合わせて、知識をパーソナライズされたKBに格納する機能を提供する。
  論文  参考訳（メタデータ） (2023-08-17T13:07:00Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Completeness, Recall, and Negation in Open-World Knowledge Bases: A Survey [15.221057217833492]
  KBにおける完全性、リコール、否定に関する知識をどのように表現し、抽出し、推論するかについて議論する。 本調査は,(1)KB品質の追跡,抽出作業の集中,下流アプリケーション構築に関心のある実践者,(2)オープンワールドの前提を超えた知識基盤技術の現状を理解したいと考えるデータ管理,知識ベース,セマンティックWeb研究者の2つのタイプを対象としている。
  論文  参考訳（メタデータ） (2023-05-09T12:50:16Z)
• Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
  知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。 本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
  論文  参考訳（メタデータ） (2022-11-30T03:44:15Z)
• Commonsense Knowledge in Word Associations and ConceptNet [37.751909219863585]
  本稿では,ConcpetNet と SWOW という2つの大規模知識資源の詳細な比較を行った。 本稿では,2つのグラフの構造,重なり合い,相違点と,それらが状況的常識的知識をエンコードする程度について検討する。
  論文  参考訳（メタデータ） (2021-09-20T06:06:30Z)
• Dimensions of Commonsense Knowledge [60.49243784752026]
  我々は,その関係に特に焦点をあてて,広く普及しているコモンセンスソースを調査した。 我々はこれらの関係を13の知識次元に集約し、それぞれがソースにあるより具体的な関係を抽象化する。
  論文  参考訳（メタデータ） (2021-01-12T17:52:39Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)

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。