Fugu-MT 論文翻訳(概要): Graph-Embedding Empowered Entity Retrieval

論文の概要: Graph-Embedding Empowered Entity Retrieval

arxiv url: http://arxiv.org/abs/2005.02843v1
Date: Wed, 6 May 2020 14:13:49 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 06:00:38.965568
Title: Graph-Embedding Empowered Entity Retrieval
Title（参考訳）: グラフエンベディングによるエンティティ検索
Authors: Emma J. Gerritse, Faegheh Hasibi, and Arjen P. de Vries
Abstract要約: 本論文は,グラフ埋め込みがエンティティ指向検索タスクに有用であることを示す。本研究では,知識グラフから(グラフ)埋め込みへのエンコーディングが,単語埋め込みよりもエンティティ検索結果の有効性の向上に寄与することを示す。
参考スコア（独自算出の注目度）: 5.433946101943875
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this research, we improve upon the current state of the art in entity retrieval by re-ranking the result list using graph embeddings. The paper shows that graph embeddings are useful for entity-oriented search tasks. We demonstrate empirically that encoding information from the knowledge graph into (graph) embeddings contributes to a higher increase in effectiveness of entity retrieval results than using plain word embeddings. We analyze the impact of the accuracy of the entity linker on the overall retrieval effectiveness. Our analysis further deploys the cluster hypothesis to explain the observed advantages of graph embeddings over the more widely used word embeddings, for user tasks involving ranking entities.
Abstract（参考訳）: 本研究では,グラフ埋め込みを用いて結果リストを再ランク付けすることにより,エンティティ検索における技術の現状を改善する。グラフ埋め込みはエンティティ指向の検索タスクに有用であることを示す。本研究では,知識グラフから(グラフ)埋め込みへのエンコーディングが,平易な単語埋め込みよりもエンティティ検索結果の有効性の向上に寄与することを示す。本稿では,エンティティリンカの精度が全体の検索効率に与える影響を解析する。我々はさらにクラスタ仮説を展開し、ランキングエンティティを含むユーザタスクにおいて、より広く使われている単語埋め込みよりもグラフ埋め込みの利点を解説する。

関連論文リスト

DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文参考訳（メタデータ） (2023-05-31T11:04:53Z)
Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文参考訳（メタデータ） (2022-12-08T11:53:12Z)
An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文参考訳（メタデータ） (2022-06-01T09:59:09Z)
FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文参考訳（メタデータ） (2022-04-13T16:45:33Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
Edge: Enriching Knowledge Graph Embeddings with External Text [32.01476220906261]
We propose a knowledge graph enrichment and embedded framework named Edge。元の知識グラフが与えられたら、まず、セマンティックおよび構造レベルで外部テキストを使用してリッチだがノイズの多い拡張グラフを生成する。関連する知識を抽出し,導入した雑音を抑制するため,元のグラフと拡張グラフとの共有埋め込み空間におけるグラフアライメント項を設計する。
論文参考訳（メタデータ） (2021-04-11T03:47:06Z)
Catastrophic Forgetting in Deep Graph Networks: an Introductory Benchmark for Graph Classification [12.423303337249795]
グラフ表現学習シナリオにおける破滅的忘れ現象について検討する。リプレイはこれまでのところ最も効果的な戦略であり、正規化の使用も最もメリットがあります。
論文参考訳（メタデータ） (2021-03-22T12:07:21Z)
Knowledge Graph Completion with Text-aided Regularization [2.8361571014635407]
知識グラフ補完は、可能なエンティティを推定することによって知識グラフ/ベースを拡張するタスクである。従来のアプローチは主に、グラフ固有の既存のグラフィカル情報の使用に重点を置いている。我々は、既存のkg埋め込みフレームワークがより良い予測結果に達するのを助けるために、抽出または生のテキスト情報を使用する多くの方法を試みる。
論文参考訳（メタデータ） (2021-01-22T06:10:09Z)
EAGER: Embedding-Assisted Entity Resolution for Knowledge Graphs [4.363674669941547]
EAGER(Embedding-Assisted Knowledge Graph Entity Resolution)と呼ばれる,より包括的なERアプローチを提案する。異なる大きさの知識グラフと構造化された知識グラフを持つ23のベンチマークデータセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2021-01-15T14:12:10Z)
Context-Enhanced Entity and Relation Embedding for Knowledge Graph Completion [2.580765958706854]
マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。実験の結果、AggrEは既存のモデルと競合していることがわかった。
論文参考訳（メタデータ） (2020-12-13T09:20:42Z)

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。