論文の概要: Taxonomy Completion via Triplet Matching Network

• arxiv url: http://arxiv.org/abs/2101.01896v3
• Date: Thu, 4 Mar 2021 09:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 00:15:54.157532
• Title: Taxonomy Completion via Triplet Matching Network
• Title（参考訳）: トリプルトマッチングネットワークによる分類学の完成
• Authors: Jieyu Zhang, Xiangchen Song, Ying Zeng, Jiaze Chen, Jiaming Shen, Yuning Mao, Lei Li
• Abstract要約: 我々は,クエリのハイパーニム概念とハイポニム概念の両方を発見することで,新しいタスクである「タキソノミー補完」を定式化する。 与えられたクエリの概念に対して適切なハイパーニム, hyponym> ペアを見つけるために,Triplet Matching Network (TMN) を提案する。 TMNは、既存の方法よりも優れた、分類完了タスクと以前の分類拡張タスクの両方で最高のパフォーマンスを実現します。
• 参考スコア（独自算出の注目度）: 18.37146040410778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatically constructing taxonomy finds many applications in e-commerce and web search. One critical challenge is as data and business scope grow in real applications, new concepts are emerging and needed to be added to the existing taxonomy. Previous approaches focus on the taxonomy expansion, i.e. finding an appropriate hypernym concept from the taxonomy for a new query concept. In this paper, we formulate a new task, "taxonomy completion", by discovering both the hypernym and hyponym concepts for a query. We propose Triplet Matching Network (TMN), to find the appropriate <hypernym, hyponym> pairs for a given query concept. TMN consists of one primal scorer and multiple auxiliary scorers. These auxiliary scorers capture various fine-grained signals (e.g., query to hypernym or query to hyponym semantics), and the primal scorer makes a holistic prediction on <query, hypernym, hyponym> triplet based on the internal feature representations of all auxiliary scorers. Also, an innovative channel-wise gating mechanism that retains task-specific information in concept representations is introduced to further boost model performance. Experiments on four real-world large-scale datasets show that TMN achieves the best performance on both taxonomy completion task and the previous taxonomy expansion task, outperforming existing methods.
• Abstract（参考訳）: 自動的に分類を構築することは、eコマースやWeb検索に多くの応用を見出す。 重要な課題の1つは、データとビジネスのスコープが実際のアプリケーションで増大するにつれて、新しい概念が出現し、既存の分類体系に追加する必要があることである。 従来のアプローチは分類学の拡張、すなわち 新しいクエリ概念のための分類法から適切なハイパーニム概念を見つける。 本稿では,クエリのハイパーネムとハイポネムの概念の両方を発見することで,新しいタスクである「分類完了」を定式化する。 本稿では,与えられたクエリ概念に対して適切な<hypernym, hyponym>ペアを見つけるために,Triplet Matching Network (TMN)を提案する。 TMNは1つの予備スコアと複数の補助スコアからなる。 これらの補助スコアラは、様々なきめ細かい信号(例えば、hypernymへのクエリやhypnymセマンティクスへのクエリ)をキャプチャし、予備スコアラは、すべての補助スコアラの内部特徴表現に基づいて、<query, hypernym, hyponym>トリプレットの全体的予測を行う。 また、概念表現におけるタスク固有情報を保持する革新的なチャネルワイズゲーティング機構を導入し、さらなるモデル性能の向上を図る。 実世界の4つの大規模データセットにおける実験は、tmnが既存の手法を上回って、分類完了タスクと以前の分類拡張タスクの両方において最高の性能を達成していることを示している。

関連論文リスト

• Towards Visual Taxonomy Expansion [50.462998483087915]
  本稿では,分類拡張タスクに視覚的特徴を導入し,VTE(Visual Taxonomy Expansion)を提案する。 テキストと視覚のセマンティクスをクラスタリングするためのテキストハイパーネミー学習タスクとビジュアルプロトタイプ学習タスクを提案する。 提案手法を2つのデータセットで評価し,有意な結果を得た。
  論文  参考訳（メタデータ） (2023-09-12T10:17:28Z)
• GANTEE: Generative Adversatial Network for Taxonomy Entering Evaluation [19.036529022923194]
  従来の分類学拡張タスクは、既存の分類学における新しい概念の最良の位置を見つけることを目的としている。 従来の手法は、新しいコンセプトのほとんどが本当にノイズの多いコンセプトであるのに多くの時間を浪費しているため、低効率に悩まされている。 本稿では、これらの欠点を軽減するために、GANTEE(Generative Adversarial Network for Taxonomy Entering Evaluation)と呼ばれるプラグイン可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T14:24:50Z)
• Query-Guided Networks for Few-shot Fine-grained Classification and Person Search [93.80556485668731]
  微粒な分類や人物検索は、個別のタスクとして現れ、文学はそれらを別々に扱ってきた。 両タスクに適用可能な新しい統合クエリガイドネットワーク(QGN)を提案する。 QGNは、最近の数ショットのきめ細かいデータセットを改善し、CUB上の他のテクニックを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2022-09-21T10:25:32Z)
• 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)
• 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。