論文の概要: Inside ASCENT: Exploring a Deep Commonsense Knowledge Base and its Usage
in Question Answering
- arxiv url: http://arxiv.org/abs/2105.13662v1
- Date: Fri, 28 May 2021 08:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 19:23:17.430192
- Title: Inside ASCENT: Exploring a Deep Commonsense Knowledge Base and its Usage
in Question Answering
- Title(参考訳): ASCENTの内部: 質問応答における深層コモンセンス知識ベースとその利用
- Authors: Tuan-Phong Nguyen, Simon Razniewski, Gerhard Weikum
- Abstract要約: ASCENTは、Webコンテンツからコモンセンスアサーションを抽出し、統合するための、完全に自動化された方法論である。
このデモでは、ユーザが構築プロセスを理解し、コンテンツを探索し、質問応答のユースケースに与える影響を観察するWebポータルを提示する。
- 参考スコア(独自算出の注目度): 25.385862319865335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: ASCENT is a fully automated methodology for extracting and consolidating
commonsense assertions from web contents (Nguyen et al., WWW 2021). It advances
traditional triple-based commonsense knowledge representation by capturing
semantic facets like locations and purposes, and composite concepts, i.e.,
subgroups and related aspects of subjects. In this demo, we present a web
portal that allows users to understand its construction process, explore its
content, and observe its impact in the use case of question answering. The demo
website and an introductory video are both available online.
- Abstract(参考訳): ASCENTはウェブコンテンツ(Nguyen et al., WWW 2021)からコモンセンスアサーションを抽出・統合するための完全自動化手法である。
それは、位置や目的のような意味的な面を捉え、また、サブグループや関連する主題の概念を合成することによって、伝統的なトリプルベースコモンセンス知識表現を推し進める。
このデモでは、ユーザが構築プロセスを理解し、コンテンツを探索し、質問応答のユースケースにおけるその影響を観察するWebポータルを提示する。
デモサイトと紹介ビデオはどちらもオンラインで公開されている。
関連論文リスト
- Artificial Intelligence for Web 3.0: A Comprehensive Survey [76.06151253928171]
Web 3.0の現在の開発状況と、Web 3.0におけるAIテクノロジの適用について検討する。
調査では、各レイヤに存在する主な課題と課題について詳しく調べています。
私たちは、Web 3.0の基礎と成長におけるAIの重要な役割を説明します。
論文 参考訳(メタデータ) (2023-08-17T12:36:01Z) - QR-CLIP: Introducing Explicit Open-World Knowledge for Location and Time
Reasoning [84.20305293037683]
我々は、セグメンテーションや分類といった基本的なタスクを実行するのではなく、どこで、いつ画像が撮られたかを予測するように機械に教える。
実験ではQR-CLIPの有効性が示され、各タスクにおける前のSOTAを平均約10%上回っている。
この研究は、位置と時間的推論の技術的基盤を築き、オープンワールドの知識を効果的に導入することがタスクのパナセアの一つであることを示唆している。
論文 参考訳(メタデータ) (2023-02-02T08:44:12Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Refined Commonsense Knowledge from Large-Scale Web Contents [24.10708502359049]
概念とその特性に関する常識知識(CSK)は、AIアプリケーションに有用である。
本稿では,CSKアサーションの大規模知識ベース(KB)を自動構築するASCENT++を提案する。
論文 参考訳(メタデータ) (2021-11-30T20:26:09Z) - CoVA: Context-aware Visual Attention for Webpage Information Extraction [65.11609398029783]
WIE をコンテキスト対応 Web ページオブジェクト検出タスクとして再構築することを提案する。
我々は、外観特徴とDOMツリーからの構文構造を組み合わせた、コンテキスト認識型視覚意図ベース(CoVA)検出パイプラインを開発した。
提案手法は,従来の最先端手法を改良した新しい挑戦的ベースラインであることを示す。
論文 参考訳(メタデータ) (2021-10-24T00:21:46Z) - Commonsense Knowledge Base Construction in the Age of Big Data [8.678138390075077]
自動常識知識基盤構築のための3つのシステムを紹介します。
知識抽出システム工学を説明するためにQuasimodoを使用し、ファジィコモンセンス知識のクリーニングにおいてスキーマ制約が果たす役割を説明するためにDiceを使い、概念モデリングの関連性を説明するためにAscentを使います。
論文 参考訳(メタデータ) (2021-05-05T08:27:36Z) - Contextualized Knowledge-aware Attentive Neural Network: Enhancing
Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。
まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。
KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文 参考訳(メタデータ) (2021-04-12T05:52:20Z) - Bringing Cognitive Augmentation to Web Browsing Accessibility [69.62988485669146]
我々は、より自然でアクセス可能なwebブラウジング体験を提供するための認知的拡張によってもたらされる機会を探求する。
我々は,BVIP対話型Webブラウジングニーズを支援するための概念的フレームワークを開発する。
構造的特徴とコンテンツ機能のみを考慮した初期の作業とプロトタイプについて説明する。
論文 参考訳(メタデータ) (2020-12-07T14:40:52Z) - A Data-Driven Study of Commonsense Knowledge using the ConceptNet
Knowledge Base [8.591839265985412]
汎用人工知能(AI)の実現における重要なフロンティアとして,コモンセンス知識と推論の獲得が認められている。
本稿では,コンセプションネットの知識基盤を実証的かつ構造的に分析することにより,コモンセンス知識のより深い理解を可能にする体系的な研究を提案し,実施する。
最先端の教師なしグラフ表現学習(「埋め込み」)とクラスタリング技術を用いて、慎重に設計された3つの研究課題に関する詳細な実験結果から、ConceptNet関係の深いサブ構造を明らかにする。
論文 参考訳(メタデータ) (2020-11-28T08:08:25Z) - Machine Knowledge: Creation and Curation of Comprehensive Knowledge
Bases [28.856786775318486]
知識グラフとしても知られる大規模な知識基盤は、Webコンテンツやテキストソースから自動的に構築されている。
本稿では,知識基盤の創出と大規模化に関する基礎的概念と実践的手法について考察する。
論文 参考訳(メタデータ) (2020-09-24T09:28:13Z)
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。