論文の概要: Item Tagging for Information Retrieval: A Tripartite Graph Neural Network based Approach

• arxiv url: http://arxiv.org/abs/2008.11567v1
• Date: Wed, 26 Aug 2020 13:58:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 21:09:59.311907
• Title: Item Tagging for Information Retrieval: A Tripartite Graph Neural Network based Approach
• Title（参考訳）: 情報検索のための項目タグ付け:三部グラフニューラルネットワークによるアプローチ
• Authors: Kelong Mao, Xi Xiao, Jieming Zhu, Biao Lu, Ruiming Tang, Xiuqiang He
• Abstract要約: 本稿では,アイテムノードとタグノード間のリンク予測問題として,アイテムタグの定式化を提案する。 この定式化により、多種類のノードとエッジを持つ異種グラフニューラルネットワークを利用するTagGNNモデルが得られる。 オープンデータセットとインダストリアルデータセットの両方の実験結果から,我々のTagGNNアプローチは最先端のマルチラベル分類手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 44.75731013014112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tagging has been recognized as a successful practice to boost relevance matching for information retrieval (IR), especially when items lack rich textual descriptions. A lot of research has been done for either multi-label text categorization or image annotation. However, there is a lack of published work that targets at item tagging specifically for IR. Directly applying a traditional multi-label classification model for item tagging is sub-optimal, due to the ignorance of unique characteristics in IR. In this work, we propose to formulate item tagging as a link prediction problem between item nodes and tag nodes. To enrich the representation of items, we leverage the query logs available in IR tasks, and construct a query-item-tag tripartite graph. This formulation results in a TagGNN model that utilizes heterogeneous graph neural networks with multiple types of nodes and edges. Different from previous research, we also optimize both full tag prediction and partial tag completion cases in a unified framework via a primary-dual loss mechanism. Experimental results on both open and industrial datasets show that our TagGNN approach outperforms the state-of-the-art multi-label classification approaches.
• Abstract（参考訳）: タグ付けは情報検索(IR)における関連性マッチング(relevance matching)の促進に成功していると認識されている。 マルチラベルテキスト分類や画像アノテーションに関して、多くの研究がなされている。 しかし、IR専用にアイテムタグ付けをターゲットとする出版作業が不足している。 アイテムタグ付けに従来のマルチラベル分類モデルを直接適用することは、IRのユニークな特徴を無視するため、準最適である。 本研究では,アイテムノードとタグノード間のリンク予測問題として,アイテムタグの定式化を提案する。 項目の表現を充実させるために、IRタスクで利用可能なクエリログを活用し、クエリ-item-tag tripartite graphを構築する。 この定式化により、多種類のノードとエッジを持つ異種グラフニューラルネットワークを利用するTagGNNモデルが得られる。 また,従来の研究と異なり,完全タグ予測と部分タグ補完の双方を,一次的損失機構によって統一したフレームワークで最適化する。 オープンデータセットとインダストリアルデータセットの両方の実験結果から,我々のTagGNNアプローチは最先端のマルチラベル分類手法よりも優れていることが示された。

関連論文リスト

• Article Classification with Graph Neural Networks and Multigraphs [0.12499537119440243]
  単純なグラフニューラルネットワーク(GNN)パイプラインを多グラフ表現で拡張することにより,記事分類の性能を向上させる手法を提案する。 完全に教師されたトランスダクティブノード分類実験は、Open Graph Benchmark OGBN-arXivデータセットとPubMed糖尿病データセットで実施されている。 その結果、マルチグラフはデフォルトグラフと比較して、様々なGNNモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2023-09-20T14:18:04Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Why Propagate Alone? Parallel Use of Labels and Features on Graphs [42.01561812621306]
  グラフニューラルネットワーク(GNN)とラベル伝搬は、ノード特性予測などのタスクにおいてグラフ構造を利用するように設計された2つの相互関連モデリング戦略を表す。 ラベルのトリックを2つの要因からなる解釈可能な決定論的学習目標に還元できることを示す。
  論文  参考訳（メタデータ） (2021-10-14T07:34:11Z)
• Dynamic Labeling for Unlabeled Graph Neural Networks [34.65037955481084]
  グラフニューラルネットワーク(GNN)はそのアイデンティティ、タイプ、コンテンツによってノードをベクトルとして表現するためにノードの埋め込みに依存している。 既存のGNNは、ランダムなラベルをノードに割り当てるか、1つの埋め込みをすべてのノードに割り当てる。 本稿では,グラフ分類とノード分類という2種類の分類タスクにおける既存手法の限界を解析する。
  論文  参考訳（メタデータ） (2021-02-23T04:30:35Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
  本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。 実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-10T07:50:44Z)
• Multi-Label Text Classification using Attention-based Graph Neural Network [0.0]
  ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。 提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
  論文  参考訳（メタデータ） (2020-03-22T17:12:43Z)

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。