論文の概要: Open Relation Modeling: Learning to Define Relations between Entities

• arxiv url: http://arxiv.org/abs/2108.09241v1
• Date: Fri, 20 Aug 2021 16:03:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:39:26.564535
• Title: Open Relation Modeling: Learning to Define Relations between Entities
• Title（参考訳）: オープンリレーショナルモデリング: エンティティ間の関係を定義することを学ぶ
• Authors: Jie Huang, Kevin Chen-Chuan Chang, Jinjun Xiong, Wen-mei Hwu
• Abstract要約: 本稿では,機械にエンティティの定義から学習させることで,定義のような関係記述を生成することを提案する。 具体的には、抽出されたエンティティペアに条件付き定義を生成するために、PLM(Pre-Tuneed Language Models)を微調整する。 我々は, PLM が信頼度推定によって解釈可能かつ情報的推論経路を選択できることを示し, 選択した経路が PLM を誘導し, より優れた関係記述を生成することを示す。
• 参考スコア（独自算出の注目度）: 24.04238065663009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relations between entities can be represented by different instances, e.g., a sentence containing both entities or a fact in a Knowledge Graph (KG). However, these instances may not well capture the general relations between entities, may be difficult to understand by humans, even may not be found due to the incompleteness of the knowledge source. In this paper, we introduce the Open Relation Modeling task - given two entities, generate a coherent sentence describing the relation between them. To solve this task, we propose to teach machines to generate definition-like relation descriptions by letting them learn from definitions of entities. Specifically, we fine-tune Pre-trained Language Models (PLMs) to produce definitions conditioned on extracted entity pairs. To help PLMs reason between entities and provide additional relational knowledge to PLMs for open relation modeling, we incorporate reasoning paths in KGs and include a reasoning path selection mechanism. We show that PLMs can select interpretable and informative reasoning paths by confidence estimation, and the selected path can guide PLMs to generate better relation descriptions. Experimental results show that our model can generate concise but informative relation descriptions that capture the representative characteristics of entities and relations.
• Abstract（参考訳）: エンティティ間の関係は、例えば、知識グラフ(KG)内のエンティティまたは事実の両方を含む文など、異なるインスタンスで表すことができる。 しかし、これらの事例は、エンティティ間の一般的な関係を正しく捉えていないかもしれないし、人間によっては理解しづらいかもしれないし、知識ソースの不完全さのためにも見当たらないかもしれない。 本稿では,2つのエンティティが与えられたとき,それらの関係を記述するコヒーレント文を生成するオープンリレーションモデリングタスクを提案する。 そこで本研究では,機械にエンティティの定義から学習させることで,定義的関係記述を生成する方法を提案する。 具体的には、抽出されたエンティティペアに条件付き定義を生成するために、事前学習言語モデル(PLM)を微調整する。 エンティティ間のplm推論を支援し、オープンリレーションモデリングのためにplmに追加のリレーショナル知識を提供するため、kgsに推論パスを取り入れ、推論パス選択機構を含む。 我々は, PLM が信頼度推定によって解釈可能かつ情報的推論経路を選択できることを示し, 選択した経路が PLM を誘導し, より優れた関係記述を生成することを示す。 実験の結果,本モデルは,エンティティと関係の代表的特徴を捉えた簡潔で有益な関係記述を生成できることがわかった。

関連論文リスト

• Grasping the Essentials: Tailoring Large Language Models for Zero-Shot Relation Extraction [36.627683488532234]
  関係抽出(RE)は、テキストで言及されたエンティティ間の意味的関係を識別することを目的としている。 標的関係のセマンティクスを理解するために、不完全で偏見のある監視を提供するような学習設定はほとんどない。 本稿では、自然言語で表現された関係定義のみを用いてREモデルを訓練するゼロショットRE設定について検討する。
  論文  参考訳（メタデータ） (2024-02-17T00:20:06Z)
• Two Heads Are Better Than One: Integrating Knowledge from Knowledge Graphs and Large Language Models for Entity Alignment [31.70064035432789]
  LLMEA(Large Language Model-enhanced Entity Alignment Framework)を提案する。 LLMEAは、知識グラフにまたがるエンティティ間の類似性を埋め込んだり、仮想の等価エンティティとの距離を編集することで、特定のエンティティの候補アライメントを識別する。 3つの公開データセットで実施された実験により、LLMEAが主要なベースラインモデルを上回ることが判明した。
  論文  参考訳（メタデータ） (2024-01-30T12:41:04Z)
• Empowering Language Models with Knowledge Graph Reasoning for Question Answering [117.79170629640525]
  我々はknOwledge ReasOning empowered Language Model (OREO-LM)を提案する。 OREO-LMは、既存のTransformerベースのLMに柔軟に接続できる新しい知識相互作用層で構成されている。 クローズド・ブック・セッティングにおいて,最先端の成果が得られ,性能が著しく向上した。
  論文  参考訳（メタデータ） (2022-11-15T18:26:26Z)
• DKG: A Descriptive Knowledge Graph for Explaining Relationships between Entities [34.14526494269527]
  本稿では、エンティティ間の関係をモデル化するオープンで解釈可能な形式である記述的知識グラフ(DKG)を提案する。 DKGを構築するために,関係記述を抽出する自己教師付き学習手法を提案する。 実験により,本システムが高品質な関係記述を抽出し,生成できることが実証された。
  論文  参考訳（メタデータ） (2022-05-21T01:16:04Z)
• Learning Relation-Specific Representations for Few-shot Knowledge Graph Completion [24.880078645503417]
  本稿では,三重項のグラフコンテキストを利用して関係と実体のセマンティック情報を同時に取得する関係特化文脈学習フレームワークを提案する。 2つの公開データセットの実験結果は、RSCLが最先端のFKGC法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-22T11:45:48Z)
• Learning to Compose Visual Relations [100.45138490076866]
  我々は,各関係を非正規化密度(エネルギーベースモデル)として表現することを提案する。 このような分解を分解することで、複数の関係を持つシーンをより忠実に生成・編集できることを示す。
  論文  参考訳（メタデータ） (2021-11-17T18:51:29Z)
• Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding [22.123001954919893]
  本稿では,確率論的推論とセマンティック埋め込みに基づくPRASEという反復的フレームワークを提案する。 PRASEフレームワークは、異なる埋め込みベースのモデルと互換性があり、複数のデータセットの実験では、その最先端性能が実証されている。
  論文  参考訳（メタデータ） (2021-05-12T11:27:46Z)
• ERICA: Improving Entity and Relation Understanding for Pre-trained Language Models via Contrastive Learning [97.10875695679499]
  そこで本研究では, ERICA という新たなコントラスト学習フレームワークを提案し, エンティティとその関係をテキストでより深く理解する。 実験の結果,提案する erica フレームワークは文書レベルの言語理解タスクにおいて一貫した改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:35:22Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。