論文の概要: CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring

• arxiv url: http://arxiv.org/abs/2010.06714v1
• Date: Tue, 13 Oct 2020 22:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:13:53.639573
• Title: CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring
• Title（参考訳）: CoRel:概念学習と関係伝達による種誘導トポラル分類構築
• Authors: Jiaxin Huang, Yiqing Xie, Yu Meng, Yunyi Zhang, Jiawei Han
• Abstract要約: 本稿では,概念名によって記述された種子分類を入力としてコーパスと種分類を取り入れた種誘導型地域分類構築法を提案する。 関係伝達モジュールは、複数の経路に沿ってユーザの興味ある関係を学習し、転送し、種分類構造を幅と深さで拡張する。 概念学習モジュールは、分類学を共同で埋め込むことで、各概念ノードのセマンティクスを豊かにする。
• 参考スコア（独自算出の注目度）: 37.1330815281983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Taxonomy is not only a fundamental form of knowledge representation, but also crucial to vast knowledge-rich applications, such as question answering and web search. Most existing taxonomy construction methods extract hypernym-hyponym entity pairs to organize a "universal" taxonomy. However, these generic taxonomies cannot satisfy user's specific interest in certain areas and relations. Moreover, the nature of instance taxonomy treats each node as a single word, which has low semantic coverage. In this paper, we propose a method for seed-guided topical taxonomy construction, which takes a corpus and a seed taxonomy described by concept names as input, and constructs a more complete taxonomy based on user's interest, wherein each node is represented by a cluster of coherent terms. Our framework, CoRel, has two modules to fulfill this goal. A relation transferring module learns and transfers the user's interested relation along multiple paths to expand the seed taxonomy structure in width and depth. A concept learning module enriches the semantics of each concept node by jointly embedding the taxonomy and text. Comprehensive experiments conducted on real-world datasets show that Corel generates high-quality topical taxonomies and outperforms all the baselines significantly.
• Abstract（参考訳）: 分類学は知識表現の基本的な形式であるだけでなく、質問応答やweb検索のような膨大な知識に富むアプリケーションにも不可欠である。 ほとんどの既存の分類法は「普遍的」分類法を組織するためにハイパーニム・ハイポニムのエンティティ対を抽出する。 しかし、これらの一般的な分類群は、特定の領域や関係に対するユーザーの特定の関心を満たすことができない。 さらに、インスタンス分類の性質は、各ノードを単一の単語として扱い、セマンティックカバレッジが低い。 本稿では、概念名によって記述されたコーパスと種分類を入力とし、各ノードが一貫性のある項のクラスタで表される、ユーザの関心に基づいてより完全な分類を構築する、種誘導型局所分類構築法を提案する。 私たちのフレームワークであるCoRelには、この目標を達成するための2つのモジュールがあります。 関係伝達モジュールは、複数の経路に沿ってユーザの関心関係を学習して転送し、種分類構造を幅及び深さに拡張する。 概念学習モジュールは、分類学とテキストを共同で埋め込むことで、概念ノードのセマンティクスを高める。 実世界のデータセットで実施された包括的な実験は、corelが高品質なトピック分類を生成し、すべてのベースラインを大きく上回っていることを示している。

関連論文リスト

• CodeTaxo: Enhancing Taxonomy Expansion with Limited Examples via Code Language Prompts [40.52605902842168]
  textscCodeTaxoは、コード言語プロンプトを通じて大きな言語モデルを活用する新しいアプローチである。 異なるドメインの5つの実世界のベンチマークの実験では、textscCodeTaxoはすべての評価指標に対して一貫して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-17T02:15:07Z)
• TaBIIC: Taxonomy Building through Iterative and Interactive Clustering [2.817412580574242]
  本稿では,反復的かつインタラクティブなプロセスにおいて,両方のアプローチからインスピレーションを得る方法を検討する。 本稿では,本手法が様々なデータソースに適用可能であることを示し,オントロジーにより直接的に組み込むことができることを示す。
  論文  参考訳（メタデータ） (2023-12-10T12:17:43Z)
• TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic Representations [28.65753036636082]
  本稿では,既存の分類学における意味的特徴と構造的情報の両方を効果的に活用する新しい分類学補完フレームワークを提案する。 分類エンリッチは,(1)概念の意味的意味と分類学的関係を,強力な事前学習言語モデルに基づいて組み込んだ分類記述型埋め込み,(2)分類の構造情報を符号化して候補位置表現を学習する分類認識シーケンシャルエンコーダの4つの構成要素から構成される。 異なるドメインからの4つの大規模な実世界のデータセットの実験は、TaxoEnrichがすべての評価指標の中で最高のパフォーマンスを達成し、過去の最先端よりも大きなマージンでパフォーマンスを向上していることを示している。
  論文  参考訳（メタデータ） (2022-02-10T08:10:43Z)
• TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel Topic Clusters [57.59286394188025]
  我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。 TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。 2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
  論文  参考訳（メタデータ） (2022-01-18T07:07:38Z)
• Who Should Go First? A Self-Supervised Concept Sorting Model for Improving Taxonomy Expansion [50.794640012673064]
  データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。 分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。 本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
  論文  参考訳（メタデータ） (2021-04-08T11:00:43Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)
• STEAM: Self-Supervised Taxonomy Expansion with Mini-Paths [53.45704816829921]
  本稿では,STEAMという自己管理型分類拡張モデルを提案する。 STEAMは自然の自己超越信号を生成し、ノードアタッチメント予測タスクを定式化する。 実験の結果、STEAMは11.6%の精度と7.0%の相反ランクで、最先端の分類法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-18T00:32:53Z)
• TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network [62.12557274257303]
  分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。 そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。 本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
  論文  参考訳（メタデータ） (2020-01-26T21:30:21Z)

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。