論文の概要: Entity Linking Meets Deep Learning: Techniques and Solutions
- arxiv url: http://arxiv.org/abs/2109.12520v1
- Date: Sun, 26 Sep 2021 07:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:58:48.669017
- Title: Entity Linking Meets Deep Learning: Techniques and Solutions
- Title(参考訳): エンティティリンクがディープラーニングを実現する - テクニックとソリューション
- Authors: Wei Shen, Yuhan Li, Yinan Liu, Jiawei Han, Jianyong Wang, Xiaojie Yuan
- Abstract要約: 本稿では,既存のディープラーニングに基づくEL手法の総合的なレビューと分析を行う。
組込み,特徴,アルゴリズムの3つの軸を用いて既存のDLベースのEL手法を整理する新しい分類法を提案する。
データセット上でのDLに基づくEL法の定量的性能解析を行う。
- 参考スコア(独自算出の注目度): 49.017379833990155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity linking (EL) is the process of linking entity mentions appearing in
web text with their corresponding entities in a knowledge base. EL plays an
important role in the fields of knowledge engineering and data mining,
underlying a variety of downstream applications such as knowledge base
population, content analysis, relation extraction, and question answering. In
recent years, deep learning (DL), which has achieved tremendous success in
various domains, has also been leveraged in EL methods to surpass traditional
machine learning based methods and yield the state-of-the-art performance. In
this survey, we present a comprehensive review and analysis of existing DL
based EL methods. First of all, we propose a new taxonomy, which organizes
existing DL based EL methods using three axes: embedding, feature, and
algorithm. Then we systematically survey the representative EL methods along
the three axes of the taxonomy. Later, we introduce ten commonly used EL data
sets and give a quantitative performance analysis of DL based EL methods over
these data sets. Finally, we discuss the remaining limitations of existing
methods and highlight some promising future directions.
- Abstract(参考訳): エンティティリンク(el)は、webテキストに現れるエンティティ言及と、それに対応するエンティティを知識ベースでリンクするプロセスである。
ELは知識工学やデータマイニングの分野で重要な役割を担い、知識ベース人口、コンテンツ分析、関係抽出、質問応答など様々なダウンストリームアプリケーションの基礎となっている。
近年,様々な分野において大きな成功を収めたディープラーニング(DL)は,従来の機械学習手法を超越し,最先端のパフォーマンスを得るためにEL手法にも活用されている。
本稿では,既存の DL ベースの EL 手法の総合的なレビューと解析を行う。
まず、埋め込み、特徴、アルゴリズムの3つの軸を用いて既存のDLベースのELメソッドを整理する新しい分類法を提案する。
次に,分類学の3つの軸に沿って,代表的EL法を体系的に調査する。
その後、一般的に使用されている10個のELデータセットを導入し、これらのデータセット上でDLベースのELメソッドの定量的性能解析を行う。
最後に,既存手法の限界について考察し,今後の展望を明らかにする。
関連論文リスト
- Training Machine Learning models at the Edge: A Survey [2.8449839307925955]
この調査はエッジ学習(EL)、特にエッジでの機械学習モデルトレーニングの最適化に重点を置いている。
目的は、ELにおける多様なアプローチや方法論を包括的に探求し、既存の知識を合成し、課題を特定し、将来の動向を明らかにすることである。
この調査はさらに、エッジ学習のためにMLを最適化するために使用されるテクニックを比較するためのガイドラインと、ELで利用可能なさまざまなフレームワーク、ライブラリ、シミュレーションツールの探索を提供する。
論文 参考訳(メタデータ) (2024-03-05T03:18:43Z) - LLM Inference Unveiled: Survey and Roofline Model Insights [64.33702161898469]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。
本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。
このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文 参考訳(メタデータ) (2024-02-26T07:33:05Z) - Large Language Models for Generative Information Extraction: A Survey [93.28676955662002]
情報抽出は、平易な自然言語テキストから構造的知識を抽出することを目的としている。
生成型大規模言語モデル(LLM)は、テキストの理解と生成において顕著な能力を示した。
LLMは生成パラダイムに基づいたIEタスクに対して実行可能なソリューションを提供する。
論文 参考訳(メタデータ) (2023-12-29T14:25:22Z) - A Survey of Graph Meets Large Language Model: Progress and Future
Directions [40.56797533111897]
大規模言語モデル(LLM)は、様々な領域で大きな成功を収めています。
LLMはグラフ関連タスクに活用され、従来のグラフニューラルネットワーク(GNN)ベースの手法を超越している。
論文 参考訳(メタデータ) (2023-11-21T07:22:48Z) - DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain
Question Answering over Knowledge Base and Text [73.68051228972024]
大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。
検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
論文 参考訳(メタデータ) (2023-10-31T04:37:57Z) - ASPER: Answer Set Programming Enhanced Neural Network Models for Joint
Entity-Relation Extraction [11.049915720093242]
本稿では ASP-enhanced Entity-Relation extract (ASPER) という新しいアプローチを提案する。
ASPERは、データとドメインの知識の両方から学習することで、エンティティと関係を共同で認識する。
特に、ASPERはニューラルネットワークモデルの学習プロセスにおいて、事実知識(ASPで事実として表現される)と派生知識(ASPで規則として表現される)を活用する。
論文 参考訳(メタデータ) (2023-05-24T17:32:58Z) - Recent Few-Shot Object Detection Algorithms: A Survey with Performance
Comparison [54.357707168883024]
Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。
FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。
本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
論文 参考訳(メタデータ) (2022-03-27T04:11:28Z) - Better Together -- An Ensemble Learner for Combining the Results of
Ready-made Entity Linking Systems [2.163881720692685]
我々は、同一コーパス上の異なるELシステムの結果を活用することで、性能を最適化できると主張している。
本稿では,複数の既製のELシステムの出力を,インメンションごとに正しいリンクを予測することで活用する,監視手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T14:42:57Z) - CorDEL: A Contrastive Deep Learning Approach for Entity Linkage [70.82533554253335]
エンティティリンケージ(EL)は、データのクリーニングと統合において重要な問題である。
新たなデータの増加に伴い、ディープラーニング(DL)ベースのアプローチが提案され、従来のモデルに付随するELの高コスト化が図られている。
我々は、ツインネットワークアーキテクチャはELに準最適であり、既存のモデルに固有の欠点をもたらすと主張している。
論文 参考訳(メタデータ) (2020-09-15T16:33:05Z)
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。