論文の概要: Enhancing Taxonomy Completion with Concept Generation via Fusing Relational Representations

• arxiv url: http://arxiv.org/abs/2106.02974v1
• Date: Sat, 5 Jun 2021 21:50:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 18:17:03.730150
• Title: Enhancing Taxonomy Completion with Concept Generation via Fusing Relational Representations
• Title（参考訳）: 融合関係表現による概念生成による分類補完の強化
• Authors: Qingkai Zeng and Jinfeng Lin and Wenhao Yu and Jane Cleland-Huang and Meng Jiang
• Abstract要約: 既存の分類の展開や完成法は、新しい概念が正確に抽出され、それらの埋め込みベクトルがテキストコーパスから学習されたと仮定する。 我々は,新しい概念を必要とする位置を特定し,適切な概念名を生成することにより,分類の強化を図るためにGenTaxoを提案する。 GenTaxoは、概念埋め込みのためにコーパスに頼る代わりに、周囲のグラフベースおよび言語ベースの情報からコンテキスト埋め込みを学び、概念名ジェネレータを事前トレーニングするためにコーパスを利用する。
• 参考スコア（独自算出の注目度）: 41.629471011165684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic construction of a taxonomy supports many applications in e-commerce, web search, and question answering. Existing taxonomy expansion or completion methods assume that new concepts have been accurately extracted and their embedding vectors learned from the text corpus. However, one critical and fundamental challenge in fixing the incompleteness of taxonomies is the incompleteness of the extracted concepts, especially for those whose names have multiple words and consequently low frequency in the corpus. To resolve the limitations of extraction-based methods, we propose GenTaxo to enhance taxonomy completion by identifying positions in existing taxonomies that need new concepts and then generating appropriate concept names. Instead of relying on the corpus for concept embeddings, GenTaxo learns the contextual embeddings from their surrounding graph-based and language-based relational information, and leverages the corpus for pre-training a concept name generator. Experimental results demonstrate that GenTaxo improves the completeness of taxonomies over existing methods.
• Abstract（参考訳）: 分類の自動構築は、eコマース、web検索、質問応答において多くのアプリケーションをサポートする。 既存の分類の展開や完成法は、新しい概念が正確に抽出され、それらの埋め込みベクトルがテキストコーパスから学習されたと仮定する。 しかし、分類学の不完全性を確立する上での批判的かつ根本的な課題は、抽出された概念の不完全性であり、特に名前が複数の単語を持ち、コーパスの頻度が低い場合である。 抽出に基づく手法の限界を解決するために,新しい概念を必要とする既存の分類群の位置を特定し,適切な概念名を生成することで,分類の完成度を高めることを提案する。 gentaxoは、概念埋め込みのためにコーパスに頼る代わりに、周囲のグラフベースおよび言語ベースの関係情報からコンテキスト埋め込みを学び、概念名ジェネレータを事前トレーニングするためにコーパスを活用する。 実験の結果,GenTaxoは既存の方法よりも分類学の完全性を向上させることが示された。

関連論文リスト

• CodeTaxo: Enhancing Taxonomy Expansion with Limited Examples via Code Language Prompts [40.52605902842168]
  textscCodeTaxoは、コード言語プロンプトを通じて大きな言語モデルを活用する新しいアプローチである。 異なるドメインの5つの実世界のベンチマークの実験では、textscCodeTaxoはすべての評価指標に対して一貫して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-17T02:15:07Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• 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)
• CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring [37.1330815281983]
  本稿では,概念名によって記述された種子分類を入力としてコーパスと種分類を取り入れた種誘導型地域分類構築法を提案する。 関係伝達モジュールは、複数の経路に沿ってユーザの興味ある関係を学習し、転送し、種分類構造を幅と深さで拡張する。 概念学習モジュールは、分類学を共同で埋め込むことで、各概念ノードのセマンティクスを豊かにする。
  論文  参考訳（メタデータ） (2020-10-13T22:00:31Z)
• 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。