論文の概要: End-to-End Entity Linking and Disambiguation leveraging Word and Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2002.11143v1
• Date: Tue, 25 Feb 2020 19:07:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:37:08.195651
• Title: End-to-End Entity Linking and Disambiguation leveraging Word and Knowledge Graph Embeddings
• Title（参考訳）: 単語と知識グラフの埋め込みを利用したエンドツーエンドエンティティリンクと曖昧化
• Authors: Rostislav Nedelchev, Debanjan Chaudhuri, Jens Lehmann and Asja Fischer
• Abstract要約: 我々は,KGと単語埋め込みを併用した最初のエンドツーエンドニューラルネットワークアプローチを提案し,単純な質問の結合関係と実体分類を行う。 実験により,提案手法が最先端のエンティティリンクに匹敵する性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 20.4826750211045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity linking - connecting entity mentions in a natural language utterance to knowledge graph (KG) entities is a crucial step for question answering over KGs. It is often based on measuring the string similarity between the entity label and its mention in the question. The relation referred to in the question can help to disambiguate between entities with the same label. This can be misleading if an incorrect relation has been identified in the relation linking step. However, an incorrect relation may still be semantically similar to the relation in which the correct entity forms a triple within the KG; which could be captured by the similarity of their KG embeddings. Based on this idea, we propose the first end-to-end neural network approach that employs KG as well as word embeddings to perform joint relation and entity classification of simple questions while implicitly performing entity disambiguation with the help of a novel gating mechanism. An empirical evaluation shows that the proposed approach achieves a performance comparable to state-of-the-art entity linking while requiring less post-processing.
• Abstract（参考訳）: エンティティリンク - 自然言語で言及される知識グラフ(KG)エンティティを接続することは、KGに対する質問応答の重要なステップである。 しばしば、エンティティラベルと問題の言及との間の文字列の類似度を測定することに基づいている。 質問で言及される関係は、同じラベルを持つエンティティ間の曖昧さを解消するのに役立ちます。 これは、関係連結ステップで不正確な関係が特定された場合、誤解を招く可能性がある。 しかし、誤った関係は、正しい実体がKG内の三重項を形成する関係と意味論的に類似している可能性があり、KG埋め込みの類似性によって捉えることができる。 そこで我々は,KGを用いた最初のエンドツーエンドニューラルネットワークアプローチを提案し,新しいゲーティング機構の助けを借りて実体の曖昧さを暗黙的に実行しながら,単純な質問の結合関係と実体分類を行う。 実験的な評価により,提案手法は,処理後処理の削減を図りながら,最先端エンティティリンクに匹敵する性能を実現する。

関連論文リスト

• Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
  より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。 GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
  論文  参考訳（メタデータ） (2024-04-02T04:27:54Z)
• Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
  既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。 我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。 当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2023-12-19T08:01:48Z)
• V-Coder: Adaptive AutoEncoder for Semantic Disclosure in Knowledge Graphs [4.493174773769076]
  本稿では,V-Coderと呼ばれる新しい適応型オートエンコーダを提案する。 実世界のデータセットの評価は、V-Coderが破損したデータからリンクを復元できることを示している。
  論文  参考訳（メタデータ） (2022-07-22T14:51:46Z)
• Exploiting Global Semantic Similarities in Knowledge Graphs by Relational Prototype Entities [55.952077365016066]
  実証的な観察では、頭と尾のエンティティが同じ関係で結ばれている場合、しばしば同様の意味的属性を共有する。 我々は、textittextbfrelational prototype entityと呼ばれる仮想ノードのセットを導入する新しいアプローチを提案する。 エンティティの埋め込みを、関連するプロトタイプの埋め込みに近づけることで、私たちのアプローチは、エンティティのグローバルな意味的類似性を効果的に促進できる。
  論文  参考訳（メタデータ） (2022-06-16T09:25:33Z)
• Exploiting Transitivity Constraints for Entity Matching in Knowledge Graphs [1.7080853582489066]
  特定された実体対に対する過渡性のアドホックな実施は、精度を劇的に低下させる可能性があることを示した。 提案手法は,与えられた類似度尺度から始まり,同一実世界のオブジェクトを参照していると認識されたエンティティペアのセットを生成し,クラスタ編集アルゴリズムを適用し,スプリアスリンクを多数追加することなく推移性を実現する。
  論文  参考訳（メタデータ） (2021-04-22T10:57:01Z)
• RAGA: Relation-aware Graph Attention Networks for Global Entity Alignment [14.287681294725438]
  実体と関係の相互作用を捉えるために,Relation-aware Graph Attention Networksに基づく新しいフレームワークを提案する。 本フレームワークでは,エンティティ情報を関係に分散し,関係情報をエンティティに集約する自己認識機構を採用している。
  論文  参考訳（メタデータ） (2021-03-01T06:30:51Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• Autoregressive Entity Retrieval [55.38027440347138]
  エンティティは、知識の表現と集約の方法の中心にあります。 クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。 本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:13:31Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。