論文の概要: KGPool: Dynamic Knowledge Graph Context Selection for Relation Extraction

• arxiv url: http://arxiv.org/abs/2106.00459v1
• Date: Tue, 1 Jun 2021 13:12:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 20:26:39.753022
• Title: KGPool: Dynamic Knowledge Graph Context Selection for Relation Extraction
• Title（参考訳）: KGPool:関係抽出のための動的知識グラフコンテキスト選択
• Authors: Abhishek Nadgeri, Anson Bastos, Kuldeep Singh, Isaiah Onando Mulang', Johannes Hoffart, Saeedeh Shekarpour, Vijay Saraswat
• Abstract要約: 知識グラフ(KG)において、文と2つの与えられた実体を標準事実にマッピングする、単一の文から関係抽出する新しい方法を提案する。 本稿では,KGPool法を用いて,KGから追加事実を付加してコンテキストを動的に拡張する手法を提案する。 KGPool表現をグラフニューラルネットワークに入力することで、全体的な手法は最先端の手法よりもはるかに正確になる。
• 参考スコア（独自算出の注目度）: 5.093899040333718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel method for relation extraction (RE) from a single sentence, mapping the sentence and two given entities to a canonical fact in a knowledge graph (KG). Especially in this presumed sentential RE setting, the context of a single sentence is often sparse. This paper introduces the KGPool method to address this sparsity, dynamically expanding the context with additional facts from the KG. It learns the representation of these facts (entity alias, entity descriptions, etc.) using neural methods, supplementing the sentential context. Unlike existing methods that statically use all expanded facts, KGPool conditions this expansion on the sentence. We study the efficacy of KGPool by evaluating it with different neural models and KGs (Wikidata and NYT Freebase). Our experimental evaluation on standard datasets shows that by feeding the KGPool representation into a Graph Neural Network, the overall method is significantly more accurate than state-of-the-art methods.
• Abstract（参考訳）: 本稿では,1つの文から関係抽出(RE)を行い,文と2つの与えられた実体を知識グラフ(KG)の標準事実にマッピングする手法を提案する。 特にこの推定されたセンデンシャルRE設定では、単一の文のコンテキストはしばしばスパースである。 本稿では,KGPool法を用いて,KGから追加事実を付加してコンテキストを動的に拡張する手法を提案する。 これらの事実(エンティティエイリアス、エンティティ記述など)の表現を学習する。 知覚的文脈を補う 神経的手法を使います すべての拡張事実を静的に使用する既存の方法とは異なり、KGPoolはこの拡張を文に条件付ける。 ニューラルモデルとKG(WikidataとNYT Freebase)を用いてKGPoolの有効性を評価する。 標準データセットを用いた実験により,KGPool表現をグラフニューラルネットワークに入力することにより,本手法は最先端手法よりもはるかに精度が高いことがわかった。

関連論文リスト

• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• SemPool: Simple, robust, and interpretable KG pooling for enhancing language models [21.057810495833063]
  知識グラフ(KG)の有用な意味を学習する簡単なグラフプーリング手法を提案する。 SemPoolと呼ばれるこの手法は、事前訓練されたLMを用いてKGの事実を表現し、それらの意味情報を収集し、LMの異なる層で融合する。 実験の結果,回答情報がKGから欠落している場合,SemPoolは最先端のGNNベースの手法を平均2.27%上回ることがわかった。
  論文  参考訳（メタデータ） (2024-02-03T23:03:51Z)
• An entity-guided text summarization framework with relational heterogeneous graph neural network [0.76146285961466]
  テキスト要約における2つの重要な課題は、テキスト以外の知識を利用することと、テキストにおける横断的関係を利用することである。 本稿では、GNNとKGを結合して要約を行うために、テキストで述べたエンティティを活用することにより、2つの問題に焦点をあてる。
  論文  参考訳（メタデータ） (2023-02-07T02:27:21Z)
• A Retrieve-and-Read Framework for Knowledge Graph Link Prediction [13.91545690758128]
  知識グラフ(KG)リンク予測は、KGの既存の事実に基づいて新しい事実を推測することを目的としている。 近年の研究では、グラフニューラルネットワーク(GNN)によるノードのグラフ近傍の利用は、単にクエリ情報を使用するよりも有用な情報を提供することが示された。 本稿では,まずクエリの関連部分グラフコンテキストを検索し,そのコンテキストとクエリを高容量の読者と共同で処理する新しい検索・読解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-19T18:50:54Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Simple and Effective Relation-based Embedding Propagation for Knowledge Representation Learning [15.881121633396832]
  本稿では,事前学習したグラフ埋め込みを文脈に適応させるために,Relation-based Embedding Propagation (REP)法を提案する。 我々は,REPがOGBL-WikiKG2上の三重項埋め込み法に対して10%の相対的な改善をもたらすことを示した。 最先端のGC-OTEと同等の結果を得るには5%-83%の時間を要する。
  論文  参考訳（メタデータ） (2022-05-13T06:02:13Z)
• Knowledge Graph Reasoning with Relational Directed Graph [40.555874504438506]
  文学における関係経路に基づく手法は、強く、解釈可能で、帰納的推論能力を示す。 重なり合う関係経路からなる関係有向グラフ(r-digraph)を新たに導入する。 本稿では,グラフニューラルネットワークの変種であるRED-GNNを提案し,GNNの変種を用いてRelational Digraphを学習する。
  論文  参考訳（メタデータ） (2021-08-13T03:27:01Z)
• 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)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)
• 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。