Fugu-MT 論文翻訳(概要): Knowledge Graphs and Knowledge Networks: The Story in Brief

論文の概要: Knowledge Graphs and Knowledge Networks: The Story in Brief

arxiv url: http://arxiv.org/abs/2003.03623v1
Date: Sat, 7 Mar 2020 18:09:18 GMT
ステータス: 処理完了
システム内更新日: 2022-12-25 19:03:18.381941
Title: Knowledge Graphs and Knowledge Networks: The Story in Brief
Title（参考訳）: 知識グラフと知識ネットワーク - 簡潔な物語
Authors: Amit Sheth, Swati Padhee, Amelie Gyrard
Abstract要約: 知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。この記事では、AIのためのKGの旅を要約する。
参考スコア（独自算出の注目度）: 0.1933681537640272
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge Graphs (KGs) represent real-world noisy raw information in a structured form, capturing relationships between entities. However, for dynamic real-world applications such as social networks, recommender systems, computational biology, relational knowledge representation has emerged as a challenging research problem where there is a need to represent the changing nodes, attributes, and edges over time. The evolution of search engine responses to user queries in the last few years is partly because of the role of KGs such as Google KG. KGs are significantly contributing to various AI applications from link prediction, entity relations prediction, node classification to recommendation and question answering systems. This article is an attempt to summarize the journey of KG for AI.
Abstract（参考訳）: 知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。しかし,ソーシャルネットワーク,レコメンダシステム,計算生物学,関係知識表現といった動的現実のアプリケーションでは,時間とともに変化するノード,属性,エッジを表現する必要があるという課題が表面化している。ここ数年のユーザクエリに対する検索エンジンの応答の進化は,Google KGのようなKGの役割が理由のひとつだ。 KGは、リンク予測、エンティティ関係予測、ノード分類、レコメンデーション、質問応答システムなど、さまざまなAIアプリケーションに大きく貢献している。この記事では、AIのためのKGの旅を要約する。

関連論文リスト

A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-10-16T06:47:18Z)
Context Graph [8.02985792541121]
本稿では,大規模言語モデル(LLM)を活用して候補エンティティや関連するコンテキストを検索する,コンテキストグラフ推論のtextbfCGR$3$パラダイムを提案する。実験の結果、CGR$3$はKG完了(KGC)およびKG質問応答(KGQA)タスクの性能を著しく向上させることが示された。
論文参考訳（メタデータ） (2024-06-17T02:59:19Z)
Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
論文参考訳（メタデータ） (2024-04-23T04:47:22Z)
Knowledge Graphs Querying [4.548471481431569]
我々は、KGクエリのために開発された様々な学際的なトピックと概念を統一することを目的としている。 KGとクエリ埋め込み、マルチモーダルKG、KG-QAの最近の進歩は、ディープラーニング、IR、NLP、コンピュータビジョンドメインから来ている。
論文参考訳（メタデータ） (2023-05-23T19:32:42Z)
Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
論文参考訳（メタデータ） (2022-09-27T21:32:20Z)
BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文参考訳（メタデータ） (2022-06-28T19:46:29Z)
Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文参考訳（メタデータ） (2022-01-13T08:25:53Z)
QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
論文参考訳（メタデータ） (2021-04-13T17:32:51Z)
Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文参考訳（メタデータ） (2021-02-14T03:21:36Z)
Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs [18.92547855877845]
知識グラフ(kgs)は、web検索、eコマース、ソーシャルネットワーク、生物学といった現実世界のアプリケーションにおいて、情報ストレージのためのユビキタスな構造である。表現学習を,翻訳,交叉,結合問合せをkgs上で利用する自己教師付き論理問合せ推論問題として定式化する。我々は,KG上の正の1次存在条件を用いて,その実体と関係をポインカーボール内のハイパーボロイドとして学習する,新しい自己教師型動的推論フレームワークであるHyperboloid Embeddings (HypE)を提案する。
論文参考訳（メタデータ） (2020-12-23T23:19:00Z)
Relational Learning Analysis of Social Politics using Knowledge Graph Embedding [11.978556412301975]
本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
論文参考訳（メタデータ） (2020-06-02T14:10:28Z)

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。