論文の概要: Canonicalizing Open Knowledge Bases with Multi-Layered Meta-Graph Neural Network

• arxiv url: http://arxiv.org/abs/2006.09610v1
• Date: Wed, 17 Jun 2020 02:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 19:14:38.884389
• Title: Canonicalizing Open Knowledge Bases with Multi-Layered Meta-Graph Neural Network
• Title（参考訳）: 多層メタグラフニューラルネットワークによるオープン知識基盤の正準化
• Authors: Tianwen Jiang, Tong Zhao, Bing Qin, Ting Liu, Nitesh V. Chawla, Meng Jiang
• Abstract要約: オープンナレッジベースにおける名詞句と関係句は普通ではないことが多く、冗長で曖昧な事実に繋がる。 本研究では、構造情報(どの文からか)と意味情報(意味的類似性)を統合し、正準化を行う。 多層メタグラフ構造を通して名詞句と関係句の表現を集約するグラフニューラルネットワークモデルを提案する。
• 参考スコア（独自算出の注目度）: 43.48148444558244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noun phrases and relational phrases in Open Knowledge Bases are often not canonical, leading to redundant and ambiguous facts. In this work, we integrate structural information (from which tuple, which sentence) and semantic information (semantic similarity) to do the canonicalization. We represent the two types of information as a multi-layered graph: the structural information forms the links across the sentence, relational phrase, and noun phrase layers; the semantic information forms weighted intra-layer links for each layer. We propose a graph neural network model to aggregate the representations of noun phrases and relational phrases through the multi-layered meta-graph structure. Experiments show that our model outperforms existing approaches on a public datasets in general domain.
• Abstract（参考訳）: オープンナレッジベースにおける名詞句や関係句は、しばしば標準的ではなく、冗長で曖昧な事実をもたらす。 本研究では,構造情報(タプルから文まで)と意味情報(意味的類似性)を統合し,正準化を行う。 構造情報は文,関係句,名詞句の各層にまたがるリンクを形成し,意味情報は各層に対して重み付けされた層内リンクを形成する。 本稿では,多層メタグラフ構造を通して名詞句と関係句の表現を集約するグラフニューラルネットワークモデルを提案する。 実験により、我々のモデルは一般ドメインのパブリックデータセットにおける既存のアプローチよりも優れています。

関連論文リスト

• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• Variational Cross-Graph Reasoning and Adaptive Structured Semantics Learning for Compositional Temporal Grounding [143.5927158318524]
  テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。 新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。 ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-22T08:02:23Z)
• Syntactic Multi-view Learning for Open Information Extraction [26.1066324477346]
  Open Information extract (OpenIE) は、オープンドメインの文から抽出することを目的としている。 本稿では,単語レベルのグラフに構成木と依存性木の両方をモデル化する。
  論文  参考訳（メタデータ） (2022-12-05T07:15:41Z)
• Sparse Structure Learning via Graph Neural Networks for Inductive Document Classification [2.064612766965483]
  帰納的文書分類のための新しいGNNに基づくスパース構造学習モデルを提案する。 本モデルでは,文間の不連続な単語を接続する訓練可能なエッジの集合を収集し,動的文脈依存性を持つエッジを疎結合に選択するために構造学習を用いる。 いくつかの実世界のデータセットの実験では、提案されたモデルがほとんどの最先端の結果より優れていることが示されている。
  論文  参考訳（メタデータ） (2021-12-13T02:36:04Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Linguistic Inspired Graph Analysis [0.0]
  等型化により、人間の認知は、ある領域から別の領域への潜在的に解決不可能な問題を転写することができる。 現在のアプローチは、ソースからターゲット構造への構造情報の書き起こしのみに焦点を当てている。 同型が意味的および実用的情報をキャプチャできるようにするために、グラフのエンリッチメントの方法を理解するために、さらなる作業が必要であることが判明した。
  論文  参考訳（メタデータ） (2021-05-13T12:16:30Z)
• GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
  階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。 提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。 さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
  論文  参考訳（メタデータ） (2021-05-06T12:20:41Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Joint Semantic Analysis with Document-Level Cross-Task Coherence Rewards [13.753240692520098]
  本稿では,共用コア参照解決のためのニューラルネットワークアーキテクチャと,英語のセマンティックロールラベリングについて述べる。 我々は、文書と意味的アノテーション間のグローバルコヒーレンスを促進するために強化学習を使用します。 これにより、異なるドメインからの複数のデータセットにおける両方のタスクが改善される。
  論文  参考訳（メタデータ） (2020-10-12T09:36:24Z)

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。