論文の概要: SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting

• arxiv url: http://arxiv.org/abs/2004.14171v1
• Date: Sat, 25 Apr 2020 17:46:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 21:09:57.770883
• Title: SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting
• Title（参考訳）: SE-KGE:地理質問応答と空間意味リフティングのための位置情報対応知識グラフ埋め込みモデル
• Authors: Gengchen Mai, Krzysztof Janowicz, Ling Cai, Rui Zhu, Blake Regalia, Bo Yan, Meilin Shi, Ni Lao
• Abstract要約: 位置認識型KG埋め込みモデルSE-KGEを提案する。 点座標や地理的実体の境界ボックスなどの空間情報をKG埋め込み空間にエンコードする。 また、SE-KGEの性能を評価するために、地理知識グラフと、DBGeoと呼ばれる地理的問合せ対のセットを構築した。
• 参考スコア（独自算出の注目度）: 9.949690056661218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning knowledge graph (KG) embeddings is an emerging technique for a variety of downstream tasks such as summarization, link prediction, information retrieval, and question answering. However, most existing KG embedding models neglect space and, therefore, do not perform well when applied to (geo)spatial data and tasks. For those models that consider space, most of them primarily rely on some notions of distance. These models suffer from higher computational complexity during training while still losing information beyond the relative distance between entities. In this work, we propose a location-aware KG embedding model called SE-KGE. It directly encodes spatial information such as point coordinates or bounding boxes of geographic entities into the KG embedding space. The resulting model is capable of handling different types of spatial reasoning. We also construct a geographic knowledge graph as well as a set of geographic query-answer pairs called DBGeo to evaluate the performance of SE-KGE in comparison to multiple baselines. Evaluation results show that SE-KGE outperforms these baselines on the DBGeo dataset for geographic logic query answering task. This demonstrates the effectiveness of our spatially-explicit model and the importance of considering the scale of different geographic entities. Finally, we introduce a novel downstream task called spatial semantic lifting which links an arbitrary location in the study area to entities in the KG via some relations. Evaluation on DBGeo shows that our model outperforms the baseline by a substantial margin.
• Abstract（参考訳）: 学習知識グラフ(KG)埋め込みは、要約、リンク予測、情報検索、質問応答など、さまざまな下流タスクのための新興技術である。 しかし、既存のkg埋め込みモデルの多くは空間を無視しており、(地理)空間データやタスクに適用してもうまく機能しない。 空間を考えるモデルの場合、そのほとんどは距離の概念に依存している。 これらのモデルは、訓練中の計算の複雑さが高まる一方、エンティティ間の相対距離を超えた情報を失う。 本研究では,SE-KGEと呼ばれる位置認識型KG埋め込みモデルを提案する。 点座標や地理的実体の境界ボックスなどの空間情報をKG埋め込み空間に直接エンコードする。 得られたモデルは、異なるタイプの空間的推論を扱うことができる。 また,複数のベースラインと比較してse-kgeの性能を評価するために,地理知識グラフとdbgeoと呼ばれる地理的クエリ・アンワーペアも構築した。 評価の結果,SE-KGEはDBGeoデータセット上で,地理的論理クエリ応答タスクにおいて,これらのベースラインよりも優れていた。 これは,空間的探索モデルの有効性と,異なる地理的実体のスケールを考察することの重要性を示す。 最後に、学習領域の任意の位置と、いくつかの関係を介してkgのエンティティをリンクする、空間的意味付けと呼ばれる新しい下流タスクを導入する。 DBGeoの評価は、我々のモデルがベースラインをかなり上回ることを示している。

関連論文リスト

• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、視覚条件、オブジェクトタイプ、スケールのさまざまなバリエーションをカバーしています。 地理空間内での精度を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• Pre-training Contextual Location Embeddings in Personal Trajectories via Efficient Hierarchical Location Representations [30.493743596793212]
  人間の移動データから生成された位置の埋め込みを事前学習することは、位置情報ベースのサービスにとって一般的な方法となっている。 これまでの研究では、1万個未満の異なる場所を処理しており、これは現実世界の応用では不十分である。 本研究では,異なる規模の複数のグリッドの組み合わせとして位置を表現することによって,トレーニング対象の場所数を効率的に削減するGeo-Tokenizerを提案する。
  論文  参考訳（メタデータ） (2023-10-02T14:40:24Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
  我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
  論文  参考訳（メタデータ） (2023-05-11T03:21:56Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)
• SpaBERT: A Pretrained Language Model from Geographic Data for Geo-Entity Representation [25.52363878314735]
  SpaBERTは、地理空間データ内の隣接するエンティティに基づいた汎用的なジオエンタリティ表現を提供する。 SpaBERTは、マスク付き言語モデリングとマスク付きエンティティ予測タスクで事前訓練されている。 SpaBERTを2つの下流タスク、ジオエンティタイピングとジオエンティリンクに適用する。
  論文  参考訳（メタデータ） (2022-10-21T19:42:32Z)

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。