論文の概要: Finding Prerequisite Relations between Concepts using Textbook

• arxiv url: http://arxiv.org/abs/2011.10337v1
• Date: Fri, 20 Nov 2020 10:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:31:40.893365
• Title: Finding Prerequisite Relations between Concepts using Textbook
• Title（参考訳）: 教科書を用いた概念間の前提関係の探索
• Authors: Shivam Pal, Vipul Arora, Pawan Goyal
• Abstract要約: 本稿では,関連教科書を用いた概念間の前提条件関係の探索手法を提案する。 教科書で利用可能な豊かで構造化された知識を抽出し、それらの概念とそれらが議論される順序の内容を検索する。
• 参考スコア（独自算出の注目度）: 9.972348663224897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A prerequisite is anything that you need to know or understand first before attempting to learn or understand something new. In the current work, we present a method of finding prerequisite relations between concepts using related textbooks. Previous researchers have focused on finding these relations using Wikipedia link structure through unsupervised and supervised learning approaches. In the current work, we have proposed two methods, one is statistical method and another is learning-based method. We mine the rich and structured knowledge available in the textbooks to find the content for those concepts and the order in which they are discussed. Using this information, proposed statistical method estimates explicit as well as implicit prerequisite relations between concepts. During experiments, we have found performance of proposed statistical method is better than the popular RefD method, which uses Wikipedia link structure. And proposed learning-based method has shown a significant increase in the efficiency of supervised learning method when compared with graph and text-based learning-based approaches.
• Abstract（参考訳）: 前提条件は、何か新しいことを学び、理解しようとする前に、最初に知るか、理解する必要があることである。 本稿では,関連する教科書を用いて概念間の前提関係を求める手法を提案する。 従来の研究者は、教師なしおよび教師なしの学習アプローチを通じて、wikipediaのリンク構造を使ってこれらの関係を見つけることに重点を置いてきた。 本研究では,統計的手法と学習に基づく方法の2つの方法を提案する。 教科書で利用可能な豊かで構造化された知識を抽出し、それらの概念とそれらが議論される順序のコンテンツを見つける。 この情報を用いて,提案手法は,概念間の暗黙的前提関係と同様に明示的な推定を行う。 実験中,wikipediaリンク構造を用いた人気のあるrefd法よりも,提案手法の性能が優れていることがわかった。 提案手法は,グラフやテキストベースの学習手法と比較して,教師あり学習法の有効性が著しく向上している。

関連論文リスト

• Improving rule mining via embedding-based link prediction [2.422410293747519]
  知識グラフのルールマイニングは、説明可能なリンク予測を可能にする。 この2つの家系を組み合わせたいくつかのアプローチが近年提案されている。 2つのアプローチを結合する新しい方法を提案する。
  論文  参考訳（メタデータ） (2024-06-14T15:53:30Z)
• Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
  近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。 本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。 具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。 次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
  論文  参考訳（メタデータ） (2024-06-07T11:54:50Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Semantic TrueLearn: Using Semantic Knowledge Graphs in Recommendation Systems [22.387120578306277]
  本研究は,意味的関連性を取り入れた国家認識型教育レコメンデーションシステムの構築を目指している。 本稿では,ウィキペディアリンクグラフを用いた学習リソースにおける知識コンポーネント間の意味的関連性を利用した,新しい学習モデルを提案する。 大規模データセットを用いた実験により,TrueLearnアルゴリズムの新たなセマンティックバージョンが,予測性能の面で統計的に有意な改善を実現していることが示された。
  論文  参考訳（メタデータ） (2021-12-08T16:23:27Z)
• Mapping Learning Algorithms on Data, a useful step for optimizing performances and their comparison [0.0]
  本研究は,学習コンテキスト,パフォーマンスマップ,高性能関数の概念を紹介する。 次に、これらの概念をさまざまな学習コンテキストに適用し、学習者の行動により多くの洞察を与える方法を示す。
  論文  参考訳（メタデータ） (2021-07-14T20:36:42Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Inferential Text Generation with Multiple Knowledge Sources and Meta-Learning [117.23425857240679]
  本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。 既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。 この研究では、モデルのための燃料として複数の知識ソースを使用します。
  論文  参考訳（メタデータ） (2020-04-07T01:49:18Z)
• Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
  メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。 タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。 この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
  論文  参考訳（メタデータ） (2020-02-03T06:13:01Z)
• A Tutorial on Learning With Bayesian Networks [8.98526174345299]
  ベイズネットワークは、興味のある変数間の確率的関係を符号化するグラフィカルモデルである。 ベイズネットワークは因果関係の学習に利用できる。 また、問題領域の理解を得、介入の結果を予測するためにも使用できる。
  論文  参考訳（メタデータ） (2020-02-01T20:03:21Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。