論文の概要: JSI at the FinSim-2 task: Ontology-Augmented Financial Concept Classification

• arxiv url: http://arxiv.org/abs/2106.09230v1
• Date: Thu, 17 Jun 2021 03:56:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 15:55:37.895362
• Title: JSI at the FinSim-2 task: Ontology-Augmented Financial Concept Classification
• Title（参考訳）: jsi at the finsim-2 task: ontology-augmented financial concept classification
• Authors: Timen Stepi\v{s}nik Perdih, Senja Pollak, Bla\v{z} \v{Skrlj}
• Abstract要約: オントロジはここ数年、機械推論にますます使われています。 本稿では,財務領域の分類問題に対するオントロジーの実践的利用について述べる。 本稿では,与えられた概念を上記の説明にマッピングし,最も関連性の高いハイパーネムをグラフ検索する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.2559617939136505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ontologies are increasingly used for machine reasoning over the last few years. They can provide explanations of concepts or be used for concept classification if there exists a mapping from the desired labels to the relevant ontology. Another advantage of using ontologies is that they do not need a learning process, meaning that we do not need the train data or time before using them. This paper presents a practical use of an ontology for a classification problem from the financial domain. It first transforms a given ontology to a graph and proceeds with generalization with the aim to find common semantic descriptions of the input sets of financial concepts. We present a solution to the shared task on Learning Semantic Similarities for the Financial Domain (FinSim-2 task). The task is to design a system that can automatically classify concepts from the Financial domain into the most relevant hypernym concept in an external ontology - the Financial Industry Business Ontology. We propose a method that maps given concepts to the mentioned ontology and performs a graph search for the most relevant hypernyms. We also employ a word vectorization method and a machine learning classifier to supplement the method with a ranked list of labels for each concept.
• Abstract（参考訳）: オントロジーはここ数年、機械推論にますます使われてきた。 概念の説明を提供したり、望ましいラベルから関連するオントロジーへのマッピングが存在する場合、概念分類に使用することができる。 ontologiesを使うもう1つの利点は、学習プロセスを必要としないことだ。 本稿では,財務領域の分類問題に対するオントロジーの実践的利用について述べる。 まず、与えられたオントロジーをグラフに変換し、金融概念の入力セットの共通の意味記述を見つけることを目的として一般化を進める。 金融分野における意味的類似性を学ぶための共通タスクの解法を提案する(finsim-2タスク)。 業務は、金融ドメインの概念を外部オントロジー(金融業界ビジネスオントロジー)において最も関連性の高いハイパーネム概念に自動的に分類できるシステムの設計である。 本稿では,与えられた概念をオントロジーにマップし,最も関連するハイパーニムをグラフ検索する手法を提案する。 また,単語ベクトル化手法と機械学習分類器を用いて,各概念のラベルランキングを補足する。

関連論文リスト

• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• OntoMath${}^{\mathbf{PRO}}$ 2.0 Ontology: Updates of the Formal Model [68.8204255655161]
  主な関心は、Open Linked Dataクラウドにおける数学的ステートメントを表現するための形式モデルの開発である。 提案モデルは、自然言語の数学的テキストから数学的事実を抽出し、これらの事実をLinked Open Dataとして表現するアプリケーションを対象としている。 このモデルは OntoMath$mathrmPRO$ ontology of professional mathematics の新バージョンの開発に使用される。
  論文  参考訳（メタデータ） (2023-03-17T20:29:17Z)
• Semantic Search for Large Scale Clinical Ontologies [63.71950996116403]
  本稿では,大規模臨床語彙検索システムを構築するための深層学習手法を提案する。 本稿では,意味学習データに基づくトレーニングデータを生成するTriplet-BERTモデルを提案する。 このモデルは,5つの実ベンチマークデータセットを用いて評価され,提案手法は自由テキストから概念,概念まで,概念語彙の検索において高い結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-01-01T05:15:42Z)
• DICoE@FinSim-3: Financial Hypernym Detection using Augmented Terms and Distance-based Features [2.6599014990168834]
  金融分野における意味的類似を学習する第3の共有タスクであるFinSim-3に、チームDICoEを提出する。 このタスクは金融分野における一連の用語を提供し、金融オントロジーから最も関連性の高いハイパーネムに分類する必要がある。 私たちの最高の成績は、タスクのリーダーボードで4位にランクインした。
  論文  参考訳（メタデータ） (2021-09-30T08:01:48Z)
• Active Refinement for Multi-Label Learning: A Pseudo-Label Approach [84.52793080276048]
  MLL(Multi-label Learning)は、あるインスタンスと関連するラベルを一連の概念から関連付けることを目的としている。 MLLの以前の研究は、主に概念セットが修正されると思われる設定に焦点を当てていた。 多くの現実世界のアプリケーションは、新しい要求を満たすために新しい概念をセットに導入する必要がある。
  論文  参考訳（メタデータ） (2021-09-29T19:17:05Z)
• FinMatcher at FinSim-2: Hypernym Detection in the Financial Services Domain using Knowledge Graphs [1.2891210250935146]
  本稿では、FinMatcherシステムとそのFinSim 2021共有タスクの結果について述べる。 FinSim-2共有タスクは、金融サービスドメインの一連の概念ラベルで構成されています。 ゴールは、与えられた概念セットから最も関連するトップレベル概念を見つけることである。
  論文  参考訳（メタデータ） (2021-03-02T08:56:28Z)
• IITK at the FinSim Task: Hypernym Detection in Financial Domain via Context-Free and Contextualized Word Embeddings [2.515934533974176]
  FinSim 2020の課題は、財務用語を外部オントロジーにおいて最も関連性の高いハイパーネム(またはトップレベル)概念に分類することである。 我々は、文脈に依存しない単語埋め込みと文脈に依存しない単語埋め込みの両方を分析に活用する。 我々のシステムは、平均的なランクと精度の両方に基づいて、第1位にランク付けします。
  論文  参考訳（メタデータ） (2020-07-22T04:56:23Z)
• R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning [83.13634692459486]
  本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。 その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。 提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
  論文  参考訳（メタデータ） (2020-04-22T14:48:03Z)
• Distributional semantic modeling: a revised technique to train term/word vector space models applying the ontology-related approach [36.248702416150124]
  ニューラルネットワークを用いた分散項表現(あるいは項埋め込み)学習による分布意味モデリングのための新しい手法を設計する。 Vec2graphは、動的かつインタラクティブなグラフとして単語埋め込み(私たちの場合の長期埋め込み)を視覚化するためのPythonライブラリである。
  論文  参考訳（メタデータ） (2020-03-06T18:27:39Z)

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。