論文の概要: Exploiting Non-Taxonomic Relations for Measuring Semantic Similarity and
Relatedness in WordNet
- arxiv url: http://arxiv.org/abs/2006.12106v1
- Date: Mon, 22 Jun 2020 09:59:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 06:04:34.733213
- Title: Exploiting Non-Taxonomic Relations for Measuring Semantic Similarity and
Relatedness in WordNet
- Title(参考訳): wordnetにおける意味的類似性と関連性の測定における非分類学的関係の活用
- Authors: Mohannad AlMousa, Rachid Benlamri, Richard Khoury
- Abstract要約: 本稿では,WordNetナレッジグラフなどの大規模リンクデータにおいて,あらゆる種類の非トキソノミック関係を利用する利点について検討する。
本稿では,新しい関係に基づく情報内容と非タキソノミックな重み付き経路に基づく総合的多関係手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Various applications in the areas of computational linguistics and artificial
intelligence employ semantic similarity to solve challenging tasks, such as
word sense disambiguation, text classification, information retrieval, machine
translation, and document clustering. Previous work on semantic similarity
followed a mono-relational approach using mostly the taxonomic relation "ISA".
This paper explores the benefits of using all types of non-taxonomic relations
in large linked data, such as WordNet knowledge graph, to enhance existing
semantic similarity and relatedness measures. We propose a holistic
poly-relational approach based on a new relation-based information content and
non-taxonomic-based weighted paths to devise a comprehensive semantic
similarity and relatedness measure. To demonstrate the benefits of exploiting
non-taxonomic relations in a knowledge graph, we used three strategies to
deploy non-taxonomic relations at different granularity levels. We conducted
experiments on four well-known gold standard datasets, and the results
demonstrated the robustness and scalability of the proposed semantic similarity
and relatedness measure, which significantly improves existing similarity
measures.
- Abstract(参考訳): 計算言語学と人工知能の分野における様々な応用は、単語認識の曖昧さ、テキスト分類、情報検索、機械翻訳、文書クラスタリングといった課題を解決するために意味的類似性を用いる。
意味的類似性に関するこれまでの研究は、主に分類学的関係「ISA」を用いた単関係的なアプローチを踏襲していた。
本稿では,WordNetナレッジグラフなどの大規模リンクデータに,あらゆる種類の非分類的関係を用いることで,既存の意味的類似性や関連性対策を強化することのメリットについて検討する。
本稿では,新しい関係に基づく情報内容と非関係性に基づく重み付き経路に基づいて,包括的意味的類似性と関連性尺度を考案する。
知識グラフにおける非タコノミクスの活用のメリットを示すために,我々は3つの戦略を用いて,非タコノミクス関係を異なる粒度レベルで展開した。
4種類の金標準データセットについて実験を行い,提案する意味的類似性と関連度尺度のロバスト性と拡張性を示し,既存の類似度尺度を大幅に改善した。
関連論文リスト
- Tübingen-CL at SemEval-2024 Task 1:Ensemble Learning for Semantic Relatedness Estimation [0.0]
本稿では,文対の関連性を予測することを目的としたSemEval-2024 Task 1を提案する。
我々は,関係性の予測のために,統計テキストの特徴や深層学習モデルの出力など,様々なシステムを統合するアンサンブルアプローチを採用する。
論文 参考訳(メタデータ) (2024-10-14T14:56:51Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳(メタデータ) (2023-09-20T08:11:58Z) - Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。
RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
論文 参考訳(メタデータ) (2022-12-17T05:25:17Z) - Metric Learning as a Service with Covariance Embedding [7.5989847759545155]
メトリック学習は、クラス内およびクラス間の類似性を最大化し、最小化する。
既存のモデルは、分離可能な埋め込み空間を得るために主に距離測度に依存する。
高性能なディープラーニングアプリケーションのためのサービスとしてメトリック学習を有効にするためには、クラス間の関係も賢明に扱うべきだ、と我々は主張する。
論文 参考訳(メタデータ) (2022-11-28T10:10:59Z) - Evaluation of taxonomic and neural embedding methods for calculating
semantic similarity [0.0]
分類学的類似度尺度と分布的類似度尺度のメカニズムについて検討する。
分類学的類似度尺度は、意味的類似度を予測するための素因として、最短経路長に依存する可能性がある。
類似性予測における概念関係と神経埋め込みの相乗効果は、伝達学習における知識ベースを活用する新しい傾向を示す可能性がある。
論文 参考訳(メタデータ) (2022-09-30T02:54:21Z) - 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) - Apport des ontologies pour le calcul de la similarit\'e s\'emantique au
sein d'un syst\`eme de recommandation [0.0]
用語、単語、テキストデータ間の意味的関連性や類似性の測定は、異なるアプリケーションにおいて重要な役割を果たす。
提案手法は,レコメンデータシステムを用いて意味的類似性を計算する手法である。
論文 参考訳(メタデータ) (2022-05-25T07:27:10Z) - Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。
相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。
提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
論文 参考訳(メタデータ) (2021-10-10T07:14:52Z) - PAIR: Leveraging Passage-Centric Similarity Relation for Improving Dense
Passage Retrieval [87.68667887072324]
本稿では,クエリ中心とPAssage中心のsmilarity Relations(PAIR)を併用した新しい手法を提案する。
本稿では,2種類の類似性関係の形式的定式化を導入することにより,3つの主要な技術的貢献を行う。
MSMARCOとNatural Questionsの両方のデータセットにおいて、従来の最先端モデルよりも大幅に優れています。
論文 参考訳(メタデータ) (2021-08-13T02:07:43Z) - 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) - Semantic Relatedness and Taxonomic Word Embeddings [2.47944699884651]
意味的関連性には様々な種類があり、異なる語彙表現が異なる関係性の形をコードしていることを示す。
分類学上のランダムウォークによって生成された合成コーパスで訓練された分類学的埋め込みを分析する実験を行った。
本研究では, 天然コーパスと合成コーパスの相対サイズが, 組込み性能に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2020-02-14T20:02:11Z)
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。