論文の概要: TagRec: Automated Tagging of Questions with Hierarchical Learning
Taxonomy
- arxiv url: http://arxiv.org/abs/2107.10649v1
- Date: Sat, 3 Jul 2021 11:50:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-07-25 11:55:48.767432
- Title: TagRec: Automated Tagging of Questions with Hierarchical Learning
Taxonomy
- Title（参考訳）: TagRec:階層的な学習分類による質問の自動タグ付け
- Authors: Venktesh V, Mukesh Mohania, Vikram Goyal
- Abstract要約: オンライン教育プラットフォームは、階層的な学習分類に基づく学術的な質問を組織する
本稿では,分類学と質問のセマンティック関連性を最適化する類似性に基づく検索タスクとして,問題を定式化する。
本研究では,本手法が未確認ラベルの扱いに役立ち,野生の分類学的タグ付けに有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online educational platforms organize academic questions based on a
hierarchical learning taxonomy (subject-chapter-topic). Automatically tagging
new questions with existing taxonomy will help organize these questions into
different classes of hierarchical taxonomy so that they can be searched based
on the facets like chapter. This task can be formulated as a flat multi-class
classification problem. Usually, flat classification based methods ignore the
semantic relatedness between the terms in the hierarchical taxonomy and the
questions. Some traditional methods also suffer from the class imbalance issues
as they consider only the leaf nodes ignoring the hierarchy. Hence, we
formulate the problem as a similarity-based retrieval task where we optimize
the semantic relatedness between the taxonomy and the questions. We demonstrate
that our method helps to handle the unseen labels and hence can be used for
taxonomy tagging in the wild. In this method, we augment the question with its
corresponding answer to capture more semantic information and then align the
question-answer pair's contextualized embedding with the corresponding label
(taxonomy) vector representations. The representations are aligned by
fine-tuning a transformer based model with a loss function that is a
combination of the cosine similarity and hinge rank loss. The loss function
maximizes the similarity between the question-answer pair and the correct label
representations and minimizes the similarity to unrelated labels. Finally, we
perform experiments on two real-world datasets. We show that the proposed
learning method outperforms representations learned using the multi-class
classification method and other state of the art methods by 6% as measured by
Recall@k. We also demonstrate the performance of the proposed method on unseen
but related learning content like the learning objectives without re-training
the network.
- Abstract（参考訳）: オンライン教育プラットフォームは階層的な学習分類 (subject-chapter-topic) に基づいて学術的な問題を整理する。
既存の分類で新しい質問を自動的にタグ付けすることで、これらの質問を階層分類の異なるクラスに整理し、章のような顔に基づいて検索できるようにする。
このタスクはフラットなマルチクラス分類問題として定式化することができる。
通常、フラット分類に基づく手法は階層分類学の用語と疑問の間の意味的関係を無視する。
いくつかの伝統的なメソッドは、階層を無視している葉ノードのみを考慮するため、クラス不均衡の問題にも悩まされている。
そこで我々は,この問題を類似性に基づく検索タスクとして定式化し,分類学と質問のセマンティック関連性を最適化する。
本研究では,本手法が未確認ラベルの扱いに役立ち,野生の分類学的タグ付けに有効であることを示す。
本手法では,質問応答を対応する回答で拡張し,より多くの意味情報を取得するとともに,質問応答対の文脈的埋め込みを対応するラベル(タコノミー)ベクトル表現と整合させる。
表現は、コサイン類似性とヒンジランク損失の組合せである損失関数を変換器ベースモデルに微調整することで整列される。
損失関数は質問応答対と正しいラベル表現との類似性を最大化し、無関係なラベルとの類似性を最小化する。
最後に、2つの実世界のデータセットで実験を行う。
提案手法は,Recall@kが測定したマルチクラス分類法やその他の手法を用いて学習した表現を6%向上させ,ネットワークを再学習することなく,学習対象のような未確認だが関連する学習内容に対して,提案手法の有効性を示す。
関連論文リスト
- Hierarchical Query Classification in E-commerce Search [38.67034103433015]
電子商取引プラットフォームは通常、製品情報と検索データを階層構造に保存し、構造化する。
ユーザ検索クエリを同様の階層構造に効果的に分類することは,eコマースプラットフォーム上でのユーザエクスペリエンスの向上,ニュースキュレーションや学術研究において最重要である。
階層的問合せ分類の本質的な複雑さは,(1)支配的カテゴリに傾倒する顕著なクラス不均衡,(2)正確な分類を妨げる検索クエリの本質的簡潔さとあいまいさの2つの課題によって複雑化されている。
論文 参考訳（メタデータ） (2024-03-09T21:55:55Z) - Multi-Label Knowledge Distillation [86.03990467785312]
本稿では,新しい多ラベル知識蒸留法を提案する。
一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。
一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
論文 参考訳（メタデータ） (2023-08-12T03:19:08Z) - Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided
Relation Alignment and Adaptation [98.51938442785179]
増分的な数ショットセマンティックセマンティックセマンティクスは、セマンティクスセマンティクスモデルを新しいクラスに漸進的に拡張することを目的としている。
このタスクは、データ不均衡のため、ベースクラスと新しいクラスの間で深刻な意味認識の問題に直面します。
本稿では,従来の意味情報のガイダンスを完全に考慮した意味誘導型関係調整適応法を提案する。
論文 参考訳（メタデータ） (2023-05-18T10:40:52Z) - Association Graph Learning for Multi-Task Classification with Category
Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。
我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。
我々の手法は代表的基準よりも一貫して性能が良い。
論文 参考訳（メタデータ） (2022-10-10T12:37:41Z) - TagRec++: Hierarchical Label Aware Attention Network for Question
Categorization [0.3683202928838613]
オンライン学習システムは、階層的な性質の明確に定義された分類に従ってコンテンツを整理する。
階層ラベルへの入力を分類するタスクは通常、フラットな多クラス分類問題として扱われる。
各コンテンツに対して適切な階層ラベルを検索するために,タスクを高密度検索問題として定式化する。
論文 参考訳（メタデータ） (2022-08-10T05:08:37Z) - Auxiliary Task Guided Interactive Attention Model for Question
Difficulty Prediction [6.951136079043972]
本稿では,対話型注意機構を持つマルチタスク手法Qdiffを提案し,ブルームの分類と難易度を共同で予測する。
提案手法は,ブルームの分類学と難易度ラベルの関係を捉えた表現の学習を支援する。
論文 参考訳（メタデータ） (2022-05-24T19:55:30Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z) - Rank-based loss for learning hierarchical representations [7.421724671710886]
機械学習では、"extra"情報を使用するメソッドのファミリーを階層分類(hierarchical classification)と呼ぶ。
ここでは、階層的関係を表す埋め込みを学習するために、問題の階層的情報を統合する方法に焦点を当てる。
ランクに基づく損失はデータの階層的表現を学習するのに適していることを示す。
論文 参考訳（メタデータ） (2021-10-11T10:32:45Z) - Can Taxonomy Help? Improving Semantic Question Matching using Question
Taxonomy [37.57300969050908]
セマンティックな質問マッチングのためのハイブリッド手法を提案する。
深層学習に基づく質問から得られた質問クラスで最先端のディープラーニングモデルを強化することにより、提案された2層分類を英語の質問に使用します。
論文 参考訳（メタデータ） (2021-01-20T16:23:04Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳（メタデータ） (2020-09-12T17:36:53Z) - Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
まずラベル階層の知識を任意のCNNベースの分類器に注入する。
画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
論文 参考訳（メタデータ） (2020-04-02T10:22:02Z)
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。