論文の概要: User-friendly Comparison of Similarity Algorithms on Wikidata
- arxiv url: http://arxiv.org/abs/2108.05410v1
- Date: Wed, 11 Aug 2021 18:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-14 04:13:15.354002
- Title: User-friendly Comparison of Similarity Algorithms on Wikidata
- Title(参考訳): wikidataにおける類似性アルゴリズムのユーザフレンドリー比較
- Authors: Filip Ilievski and Pedro Szekely and Gleb Satyukov and Amandeep Singh
- Abstract要約: ウィキデータにおけるQnode間の類似性のフレキシブルな計算を可能にするユーザフレンドリーなインタフェースを提案する。
現在、類似性インタフェースは、グラフ埋め込み(TransE、ComplEx)、テキスト埋め込み(BERT)、クラスベースの類似性という4つのアルゴリズムをサポートしている。
また、Wikidataの任意のQnodeに対して、最もよく似た隣人を計算できるREST APIも提供しています。
- 参考スコア(独自算出の注目度): 2.8551587610394904
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While the similarity between two concept words has been evaluated and studied
for decades, much less attention has been devoted to algorithms that can
compute the similarity of nodes in very large knowledge graphs, like Wikidata.
To facilitate investigations and head-to-head comparisons of similarity
algorithms on Wikidata, we present a user-friendly interface that allows
flexible computation of similarity between Qnodes in Wikidata. At present, the
similarity interface supports four algorithms, based on: graph embeddings
(TransE, ComplEx), text embeddings (BERT), and class-based similarity. We
demonstrate the behavior of the algorithms on representative examples about
semantically similar, related, and entirely unrelated entity pairs. To support
anticipated applications that require efficient similarity computations, like
entity linking and recommendation, we also provide a REST API that can compute
most similar neighbors for any Qnode in Wikidata.
- Abstract(参考訳): 2つの概念語間の類似性は何十年も評価され研究されてきたが、wikidataのような非常に大きな知識グラフでノードの類似性を計算できるアルゴリズムにはあまり注目されていない。
Wikidataにおける類似性アルゴリズムの直接比較や調査を容易にするために,ユーザフレンドリなインタフェースを提案する。
現在、類似性インタフェースは、グラフ埋め込み(TransE、ComplEx)、テキスト埋め込み(BERT)、クラスベースの類似性という4つのアルゴリズムをサポートしている。
本研究では,意味的類似性,関連性,および全く関係のないエンティティ対に関する代表例について,アルゴリズムの挙動を実証する。
エンティティリンクやレコメンデーションなど、効率的な類似性計算を必要とする予測アプリケーションをサポートするために、wikidata内の任意のqnodeに対して、最も類似した近傍を計算できるrest apiも提供します。
関連論文リスト
- Efficient Algorithms for Exact Graph Matching on Correlated Stochastic
Block Models with Constant Correlation [7.914348940034351]
本稿では,グラフとコミュニティ構造をマッチングする効率的なアルゴリズムを提案する。
我々のアルゴリズムは2つの相関ブロックモデル間の正確なマッチングを実現する最初の低次時間アルゴリズムである。
論文 参考訳(メタデータ) (2023-05-31T09:06:50Z) - Does Wikidata Support Analogical Reasoning? [17.68704739786042]
Wikidataの知識が類推的推論をサポートするかどうかを検討する。
Wikidataは類似分類のためのデータ作成に利用できることを示す。
我々は、Wikidataからアナログを抽出する自動手法を導くためのメトリクスセットを考案した。
論文 参考訳(メタデータ) (2022-10-02T20:46:52Z) - Attributable Visual Similarity Learning [90.69718495533144]
本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。
人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。
CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
論文 参考訳(メタデータ) (2022-03-28T17:35:31Z) - Improving Candidate Retrieval with Entity Profile Generation for
Wikidata Entity Linking [76.00737707718795]
本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。
我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。
本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
論文 参考訳(メタデータ) (2022-02-27T17:38:53Z) - JEFL: Joint Embedding of Formal Proof Libraries [2.423990103106667]
これまでに提案したライブラリ間の概念マッチングアルゴリズムと,類似概念の検索を支援する非教師なし埋め込み手法を比較した。
我々は、ニューラルネットワークの埋め込みアプローチが、よりインタラクティブな証明アシスタントに統合される可能性があると論じる。
論文 参考訳(メタデータ) (2021-07-21T16:31:33Z) - Applying Transfer Learning for Improving Domain-Specific Search
Experience Using Query to Question Similarity [0.0]
本稿では、与えられた入力クエリと事前定義された質問の集合との類似性を計算し、最もよく一致する質問を検索するフレームワークについて論じる。
ファイナンシャルドメインで使用していますが、このフレームワークはドメイン固有の検索エンジンで一般化されており、他のドメインでも使用できます。
論文 参考訳(メタデータ) (2021-01-07T03:27:32Z) - Graph Structured Network for Image-Text Matching [127.68148793548116]
微粒化対応学習のためのグラフ構造化マッチングネットワークを提案する。
GSMNは、明示的にオブジェクト、関係、属性を構造化されたフレーズとしてモデル化する。
実験により、GSMNはベンチマークで最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-04-01T08:20:42Z) - LSF-Join: Locality Sensitive Filtering for Distributed All-Pairs Set
Similarity Under Skew [58.21885402826496]
全ペアセットの類似性は、大規模で高次元のデータセットであっても広く使われているデータマイニングタスクである。
我々は,全対集合の類似性を近似するために,新しい分散アルゴリズム LSF-Join を提案する。
LSF-Joinは、小さな類似度閾値やスキュー入力セットであっても、最も近いペアを効率的に見つける。
論文 参考訳(メタデータ) (2020-03-06T00:06:20Z) - Learning Attentive Pairwise Interaction for Fine-Grained Classification [53.66543841939087]
本稿では,細粒度分類のための簡易かつ効果的な監視ペアワイド・インタラクション・ネットワーク(API-Net)を提案する。
API-Netはまず相互機能ベクトルを学習し、入力ペアのセマンティックな違いをキャプチャする。
そして、この相互ベクトルと個々のベクトルを比較して、各入力画像のゲートを生成する。
詳細な分類において,5つの人気のあるベンチマークについて広範な実験を行った。
論文 参考訳(メタデータ) (2020-02-24T12:17:56Z) - BasConv: Aggregating Heterogeneous Interactions for Basket
Recommendation with Graph Convolutional Neural Network [64.73281115977576]
バスケット内のレコメンデーションは、ユーザのバスケットに対する意図が重要となるユーザの探索時間を短縮する。
グラフ畳み込みニューラルネットワークに基づく textbfBasConv という新しいフレームワークを提案する。
私たちのBasConvモデルには、3種類のノード用に特別に設計された3種類のアグリゲータがあります。
論文 参考訳(メタデータ) (2020-01-14T16:27:32Z)
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。