論文の概要: Extracting Semantic Concepts and Relations from Scientific Publications
by Using Deep Learning
- arxiv url: http://arxiv.org/abs/2009.00331v2
- Date: Fri, 4 Sep 2020 14:27:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:00:25.411772
- Title: Extracting Semantic Concepts and Relations from Scientific Publications
by Using Deep Learning
- Title（参考訳）: 深層学習を用いた科学論文からの意味概念と関係抽出
- Authors: Fatima N. AL-Aswadi, Huah Yong Chan, and Keng Hoon Gan
- Abstract要約: 本研究の目的は,学術出版物から意味概念と関係を自動的に抽出する提案を行うことである。
本稿では,意味関係の新たなタイプを提案するとともに,意味関係抽出に深層学習(DL)モデルを用いる点を指摘する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the large volume of unstructured data that increases constantly on the
web, the motivation of representing the knowledge in this data in the
machine-understandable form is increased. Ontology is one of the major
cornerstones of representing the information in a more meaningful way on the
semantic Web. The current ontology repositories are quite limited either for
their scope or for currentness. In addition, the current ontology extraction
systems have many shortcomings and drawbacks, such as using a small dataset,
depending on a large amount predefined patterns to extract semantic relations,
and extracting a very few types of relations. The aim of this paper is to
introduce a proposal of automatically extracting semantic concepts and
relations from scientific publications. This paper suggests new types of
semantic relations and points out of using deep learning (DL) models for
semantic relation extraction.
- Abstract（参考訳）: web上で常に増加する大量の非構造化データによって、このデータにおける知識を機械理解可能な形式で表現する動機が増大する。
オントロジーは、セマンティックWeb上でより意味のある方法で情報を表現するための主要な基盤の1つです。
現在のオントロジーレポジトリは、スコープか現在のかのどちらかで、かなり制限されている。
さらに、現在のオントロジー抽出システムには、小さなデータセットの使用、意味的関係を抽出する大量の事前定義されたパターンに依存し、非常に少数の関係を抽出するなど、多くの欠点と欠点がある。
本研究の目的は,学術出版物から意味概念と関係を自動的に抽出する提案を行うことである。
本稿では,意味関係の新たなタイプを提案するとともに,意味関係抽出に深層学習(DL)モデルを用いる点を指摘する。
関連論文リスト
- Ontological Relations from Word Embeddings [2.384873896423002]
BERTのような一般的なニューラルモデルから得られる単語埋め込みの類似性は、それらの単語の意味の意味的類似性の形で効果的に近似することが確実に示されている。
これらの埋め込みの上に単純なフィードフォワードアーキテクチャを組み込むことで、入力データに応じて様々な一般化能力を持つ有望な精度が得られることを示す。
論文 参考訳（メタデータ） (2024-08-01T10:31:32Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - Topics as Entity Clusters: Entity-based Topics from Large Language Models and Graph Neural Networks [0.6486052012623045]
本稿では,エンティティのバイモーダルベクトル表現を用いたトピッククラスタリング手法を提案する。
我々のアプローチは、最先端のモデルと比較してエンティティを扱うのに適している。
論文 参考訳（メタデータ） (2023-01-06T10:54:54Z) - Imitation Learning-based Implicit Semantic-aware Communication Networks:
Multi-layer Representation and Collaborative Reasoning [68.63380306259742]
有望な可能性にもかかわらず、セマンティック通信とセマンティック・アウェア・ネットワーキングはまだ初期段階にある。
本稿では,CDCとエッジサーバの複数層を連携させる,推論に基づく暗黙的セマンティック・アウェア通信ネットワークアーキテクチャを提案する。
暗黙的セマンティクスの階層構造と個人ユーザのパーソナライズされた推論嗜好を考慮に入れたセマンティクス情報の多層表現を提案する。
論文 参考訳（メタデータ） (2022-10-28T13:26:08Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳（メタデータ） (2022-01-21T09:01:12Z) - Context Decoupling Augmentation for Weakly Supervised Semantic
Segmentation [53.49821324597837]
微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。
本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。
提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
論文 参考訳（メタデータ） (2021-03-02T15:05:09Z) - 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) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - Exploring the Suitability of Semantic Spaces as Word Association Models
for the Extraction of Semantic Relationships [1.8352113484137629]
本稿では,従来の意味空間とモデル(例えば,単語の関連付けを抽出するためのWord Embedding)を用いた新しいアイデアを提案する。
目標は、これらの単語関連モデルを使用して、現在の関係抽出アプローチを強化することである。
論文 参考訳（メタデータ） (2020-04-29T15:25:28Z) - Coupling semantic and statistical techniques for dynamically enriching
web ontologies [0.0]
本稿では,World Wide Web から大規模ジェネリックを動的に強化するための,自動結合型統計・セマンティックフレームワークを提案する。
このアプローチの利点は, (i) 背景知識の欠如による大規模セマンティック・パターンのダイナミック・エンリッチメントを提案し, このような知識の再利用を可能にすることである。
論文 参考訳（メタデータ） (2020-04-23T11:21:30Z) - Distributional semantic modeling: a revised technique to train term/word
vector space models applying the ontology-related approach [36.248702416150124]
ニューラルネットワークを用いた分散項表現(あるいは項埋め込み)学習による分布意味モデリングのための新しい手法を設計する。
Vec2graphは、動的かつインタラクティブなグラフとして単語埋め込み(私たちの場合の長期埋め込み)を視覚化するためのPythonライブラリである。
論文 参考訳（メタデータ） (2020-03-06T18:27:39Z)
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。