Fugu-MT 論文翻訳(概要): RECON: Relation Extraction using Knowledge Graph Context in a Graph Neural Network

論文の概要: RECON: Relation Extraction using Knowledge Graph Context in a Graph Neural Network

arxiv url: http://arxiv.org/abs/2009.08694v2
Date: Sun, 17 Jan 2021 18:08:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 02:14:43.841853
Title: RECON: Relation Extraction using Knowledge Graph Context in a Graph Neural Network
Title（参考訳）: グラフニューラルネットワークにおける知識グラフコンテキストを用いた関係抽出
Authors: Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Isaiah Onando Mulang', Saeedeh Shekarpour, Johannes Hoffart, Manohar Kaul
Abstract要約: 本稿では,文中の関係を自動的に識別し,知識グラフ(KG)に整合するRECONという新しい手法を提案する。 RECONはグラフニューラルネットワークを使用して、文とKGに格納された事実の両方の表現を学習し、全体的な抽出品質を向上させる。 2つの標準関係抽出データセットに対する実証的な評価は、RECONがNYT FreebaseとWikidataデータセットのアートメソッドのすべての状態を著しく上回っていることを示している。
参考スコア（独自算出の注目度）: 14.022784784263456
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present a novel method named RECON, that automatically identifies relations in a sentence (sentential relation extraction) and aligns to a knowledge graph (KG). RECON uses a graph neural network to learn representations of both the sentence as well as facts stored in a KG, improving the overall extraction quality. These facts, including entity attributes (label, alias, description, instance-of) and factual triples, have not been collectively used in the state of the art methods. We evaluate the effect of various forms of representing the KG context on the performance of RECON. The empirical evaluation on two standard relation extraction datasets shows that RECON significantly outperforms all state of the art methods on NYT Freebase and Wikidata datasets. RECON reports 87.23 F1 score (Vs 82.29 baseline) on Wikidata dataset whereas on NYT Freebase, reported values are 87.5(P@10) and 74.1(P@30) compared to the previous baseline scores of 81.3(P@10) and 63.1(P@30).
Abstract（参考訳）: 本稿では,文中の関係を自動的に識別し,知識グラフ(KG)に整合するRECONという新しい手法を提案する。 RECONはグラフニューラルネットワークを使用して、文とKGに格納された事実の両方の表現を学習し、全体的な抽出品質を向上させる。エンティティ属性(ラベル、エイリアス、説明、インスタンス)や事実トリプルを含むこれらの事実は、アートメソッドの状態においてまとめては使われていない。我々は,KGコンテキストの様々な形態がRECONの性能に与える影響を評価する。 2つの標準関係抽出データセットに対する実証的な評価は、RECONがNYT FreebaseとWikidataデータセットのアートメソッドのすべての状態を著しく上回っていることを示している。 RECONはWikidataデータセット上で87.23 F1スコア(Vs 82.29ベースライン)を報告しているが、NYT Freebaseでは81.3スコア(P@10)と63.1スコア(P@30)に対して87.5(P@10)と74.1(P@30)と報告されている。

関連論文リスト

On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文参考訳（メタデータ） (2024-01-01T02:03:35Z)
Knowledge Graph Refinement based on Triplet BERT-Networks [0.0]
本稿では,知識グラフ内のエンティティや関係に関する情報を集約する埋め込み空間を作成するトランスフォーマーベースの三重項ネットワークを採用する。事実からテキストシーケンスを生成し、事前訓練されたトランスフォーマーベースの言語モデルのトリプルトネットワークを微調整する。これら2つの改良作業の最先端性能に対して, GilBERT は, より優れた, あるいは同等な結果が得られることを示す。
論文参考訳（メタデータ） (2022-11-18T19:01:21Z)
ConstGCN: Constrained Transmission-based Graph Convolutional Networks for Document-level Relation Extraction [24.970508961370548]
グラフニューラルネットワークによる文書レベルの関係抽出は、トレーニングと推論の基本的なグラフ構築ギャップに直面している。本稿では,知識に基づく情報伝達を行う新しいグラフ畳み込みネットワークである$textbfConstGCN$を提案する。実験の結果,本手法はDocREデータセットに対する従来のSOTA(State-of-the-art)アプローチよりも優れていることがわかった。
論文参考訳（メタデータ） (2022-10-08T07:36:04Z)
ConcreteGraph: A Data Augmentation Method Leveraging the Properties of Concept Relatedness Estimation [35.98904983588297]
概念関連性推定(CRE)特性を利用するために,具体グラフというグラフを構築した。本稿では,WORDデータセットに最初に取り組み,提案したコントラストグラフを用いてトランスフォーマーの精度を2%以上向上させることができる。 concreteGraphの助けを借りた3つのトランスフォーマーは、CNSEとCNSSデータセット上の現在の最先端メソッドであるConcept Interaction Graph(CIG)より優れている。
論文参考訳（メタデータ） (2022-06-25T04:52:54Z)
Simple and Effective Relation-based Embedding Propagation for Knowledge Representation Learning [15.881121633396832]
本稿では,事前学習したグラフ埋め込みを文脈に適応させるために,Relation-based Embedding Propagation (REP)法を提案する。我々は,REPがOGBL-WikiKG2上の三重項埋め込み法に対して10%の相対的な改善をもたらすことを示した。最先端のGC-OTEと同等の結果を得るには5%-83%の時間を要する。
論文参考訳（メタデータ） (2022-05-13T06:02:13Z)
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)
GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文参考訳（メタデータ） (2022-02-08T14:19:19Z)
KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
論文参考訳（メタデータ） (2021-12-09T12:45:33Z)
Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文参考訳（メタデータ） (2021-10-28T07:16:08Z)
KGPool: Dynamic Knowledge Graph Context Selection for Relation Extraction [5.093899040333718]
知識グラフ(KG)において、文と2つの与えられた実体を標準事実にマッピングする、単一の文から関係抽出する新しい方法を提案する。本稿では,KGPool法を用いて,KGから追加事実を付加してコンテキストを動的に拡張する手法を提案する。 KGPool表現をグラフニューラルネットワークに入力することで、全体的な手法は最先端の手法よりもはるかに正確になる。
論文参考訳（メタデータ） (2021-06-01T13:12:24Z)
Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。