論文の概要: Linking OpenStreetMap with Knowledge Graphs -- Link Discovery for
Schema-Agnostic Volunteered Geographic Information
- arxiv url: http://arxiv.org/abs/2011.05841v3
- Date: Thu, 19 Nov 2020 14:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 05:43:56.136076
- Title: Linking OpenStreetMap with Knowledge Graphs -- Link Discovery for
Schema-Agnostic Volunteered Geographic Information
- Title（参考訳）: openstreetmap と知識グラフのリンク -- スキーマに依存しない地理情報のためのリンク発見
- Authors: Nicolas Tempelmeier, Elena Demidova
- Abstract要約: 知識グラフにおいて,OSMノードと地理的エンティティ間のIDリンクを予測する新しいリンク発見手法OSM2KGを提案する。
OSM2KGアプローチのコアは、埋め込みにおけるセマンティックノードの類似性をキャプチャする、新しい潜在的でコンパクトなOSMノード表現である。
いくつかのOSMデータセットとWikidataおよびDBpediaナレッジグラフを用いて実験を行い、OSM2KGがアイデンティティリンクを確実に発見できることを実証した。
- 参考スコア（独自算出の注目度）: 3.04585143845864
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Representations of geographic entities captured in popular knowledge graphs
such as Wikidata and DBpedia are often incomplete. OpenStreetMap (OSM) is a
rich source of openly available, volunteered geographic information that has a
high potential to complement these representations. However, identity links
between the knowledge graph entities and OSM nodes are still rare. The problem
of link discovery in these settings is particularly challenging due to the lack
of a strict schema and heterogeneity of the user-defined node representations
in OSM. In this article, we propose OSM2KG - a novel link discovery approach to
predict identity links between OSM nodes and geographic entities in a knowledge
graph. The core of the OSM2KG approach is a novel latent, compact
representation of OSM nodes that captures semantic node similarity in an
embedding. OSM2KG adopts this latent representation to train a supervised model
for link prediction and utilises existing links between OSM and knowledge
graphs for training. Our experiments conducted on several OSM datasets, as well
as the Wikidata and DBpedia knowledge graphs, demonstrate that OSM2KG can
reliably discover identity links. OSM2KG achieves an F1 score of 92.05% on
Wikidata and of 94.17% on DBpedia on average, which corresponds to a 21.82
percentage points increase in F1 score on Wikidata compared to the best
performing baselines.
- Abstract（参考訳）: ウィキデータやDBpediaのような一般的な知識グラフで捉えた地理的実体の表現はしばしば不完全である。
openstreetmap (osm) は、これらの表現を補完する可能性の高いオープンでボランティア的な地理情報の豊富なソースである。
しかし、知識グラフエンティティとOSMノード間のアイデンティティリンクは依然として稀である。
これらの設定におけるリンク発見の問題は、厳密なスキーマの欠如とosmにおけるユーザ定義ノード表現の不均一性のため、特に困難である。
本稿では,OSMノードと知識グラフ内の地理的エンティティ間のIDリンクを予測する新しいリンク発見手法であるOSM2KGを提案する。
OSM2KGアプローチのコアは、埋め込みにおけるセマンティックノードの類似性をキャプチャする、新しい潜在的でコンパクトなOSMノード表現である。
OSM2KGはこの潜在表現を採用し、リンク予測のための教師付きモデルをトレーニングし、トレーニング用のOSMと知識グラフの間の既存のリンクを利用する。
いくつかのOSMデータセットとWikidataおよびDBpediaナレッジグラフを用いて実験を行い、OSM2KGがアイデンティティリンクを確実に発見できることを実証した。
OSM2KGは、Wikidataで92.05%、DBpediaで94.17%、Wikidataで21.82ポイントのスコアアップを達成した。
関連論文リスト
- On Exploring Node-feature and Graph-structure Diversities for Node Drop
Graph Pooling [86.65151066870739]
現在のノードドロッププーリング法は、ノードの特徴やグラフ構造の観点からグラフの多様性を無視し、結果としてグラフレベル以下の表現をもたらす。
そこで本稿では,textiti.fltextbfIpscore と textbfDropscore の2つの操作を持つ textbfMulti スコア空間からなる MID を新たに提案する。
具体的には、多次元スコア空間は、複数の基準を通してノードの重要さを描いており、フリップスコアは異種ノードの維持を奨励している。
論文 参考訳（メタデータ） (2023-06-22T08:02:01Z) - LSGNN: Towards General Graph Neural Network in Node Classification by
Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。
そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。
提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文 参考訳（メタデータ） (2023-05-07T09:06:11Z) - Linking Streets in OpenStreetMap to Persons in Wikidata [1.827510863075184]
OpenStreetMap (OSM) のような地理情報ソースやWikidataのような知識グラフは接続されていないことが多い。
これらのソース間の例としては、OSMの通りと、彼らが名付けたWikidataの人とのリンクがある。
本稿では,知識グラフと空間依存性の関係に基づいて,OSM内の街路を知識グラフに接続するStreetToPersonを提案する。
論文 参考訳（メタデータ） (2023-02-24T21:35:53Z) - Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph
Neural Networks [54.225220638606814]
本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。
まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。
第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
論文 参考訳（メタデータ） (2022-10-04T21:03:52Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - HeMI: Multi-view Embedding in Heterogeneous Graphs [8.87527266373087]
不均一グラフ(HG)の表現学習は、そのようなグラフの豊富な構造と意味を低次元空間に埋め込む。
本稿では,HGの構造的セマンティクス間の知識交換と発見に依存して,HG表現を学習する自己教師型手法を提案する。
提案手法は,全タスクにおいて1%,最大10%の効率で性能が向上し,競合手法の改善が図られている。
論文 参考訳（メタデータ） (2021-09-14T23:04:42Z) - Detecting Communities from Heterogeneous Graphs: A Context Path-based
Graph Neural Network Model [23.525079144108567]
コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。
ノード間の高次関係をノードの埋め込みに埋め込む。
最先端のコミュニティ検出手法よりも優れています。
論文 参考訳（メタデータ） (2021-09-05T12:28:00Z) - GeoVectors: A Linked Open Corpus of OpenStreetMap Embeddings on World
Scale [1.933681537640272]
本稿は,OSM エンティティを包括的に包括的に包括的に包括的に包括する Geos について述べる。
Geos corpusはOSMエンティティのセマンティック次元と地理的次元をキャプチャし、機械学習アルゴリズムにアクセスできるようにする。
我々は、OSM内の地理的エンティティのセマンティックおよび潜在表現に直接アクセスするセマンティックインターフェースであるSPARQLエンドポイントを提供する。
論文 参考訳（メタデータ） (2021-08-30T10:00:34Z) - Towards Neural Schema Alignment for OpenStreetMap and Knowledge Graphs [0.966840768820136]
OpenStreetMap (OSM) は、ボランティアによる地理的情報の最も豊富に公開されている情報源の1つである。
知識グラフはOSMエンティティの強化に有用なセマンティック情報を提供する可能性がある。
本稿では,OSMタグと対応する知識グラフクラスとの整合性について,スキーマ層とインスタンス層を協調的に検討して考察する。
そこで我々は,OSMと知識グラフの連結エンティティを用いて生成したタグ・ツー・クラスアライメントに対して,共有潜在空間を生かした新しいニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-28T10:40:35Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - 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。