論文の概要: Triple Classification for Scholarly Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2111.11845v1
- Date: Tue, 23 Nov 2021 13:16:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 15:20:40.179185
- Title: Triple Classification for Scholarly Knowledge Graph Completion
- Title(参考訳): 学術知識グラフ完成のための三重分類
- Authors: Mohamad Yaser Jaradeh, Kuldeep Singh, Markus Stocker, S\"oren Auer
- Abstract要約: 本稿では,事前学習したトランスフォーマー言語モデルを用いて学術知識グラフ補完を行う手法であるexBERTを提案する。
評価の結果, exBERTは3つの分類, リンク予測, 関係予測のタスクにおいて, 他のベースラインよりも優れていた。
我々は、公共のKGとオンラインリソースから収集した2つの学術データセットを研究コミュニティのリソースとして提示する。
- 参考スコア(独自算出の注目度): 1.9322973059079729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scholarly Knowledge Graphs (KGs) provide a rich source of structured
information representing knowledge encoded in scientific publications. With the
sheer volume of published scientific literature comprising a plethora of
inhomogeneous entities and relations to describe scientific concepts, these KGs
are inherently incomplete. We present exBERT, a method for leveraging
pre-trained transformer language models to perform scholarly knowledge graph
completion. We model triples of a knowledge graph as text and perform triple
classification (i.e., belongs to KG or not). The evaluation shows that exBERT
outperforms other baselines on three scholarly KG completion datasets in the
tasks of triple classification, link prediction, and relation prediction.
Furthermore, we present two scholarly datasets as resources for the research
community, collected from public KGs and online resources.
- Abstract(参考訳): 学術知識グラフ (Scholarly Knowledge Graphs, KGs) は、学術出版物に符号化された知識を表す構造化情報の豊富な情報源を提供する。
科学的な概念を記述するための多種多様な不均一な実体と関係を含む科学文献の膨大な量から、これらのKGは本質的に不完全である。
本稿では,事前学習したトランスフォーマー言語モデルを利用して学術知識グラフ補完を行うexBERTを提案する。
我々は知識グラフの三重項をテキストとしてモデル化し、三重分類(kgに属するか否か)を行う。
評価の結果, exBERTは3つの分類, リンク予測, 関係予測のタスクにおいて, 3つの学術的なKG完了データセットの他のベースラインよりも優れていた。
さらに,2つの学術データセットを研究コミュニティのリソースとして公開kgsとオンラインリソースから収集した。
関連論文リスト
- PubGraph: A Large Scale Scientific Temporal Knowledge Graph [11.240833731512609]
PubGraphは、大規模な時間的知識グラフ(KG)の形式を取り入れた、科学的進歩を研究するための新しいリソースである
時間的に整列したトレーニング,検証,テストのパーティションを備えた,トランスダクティブおよびインダクティブな設定のための新しいリンク予測ベンチマークを導入する。
PubGraphに適した2つの新しい帰納学習手法を開発し、明示的な特徴のないノード上で動作し、大規模なKGにスケールし、既存のモデルより優れた性能を発揮する。
論文 参考訳(メタデータ) (2023-02-04T20:03:55Z) - Knowledge Graph Refinement based on Triplet BERT-Networks [0.0]
本稿では,知識グラフ内のエンティティや関係に関する情報を集約する埋め込み空間を作成するトランスフォーマーベースの三重項ネットワークを採用する。
事実からテキストシーケンスを生成し、事前訓練されたトランスフォーマーベースの言語モデルのトリプルトネットワークを微調整する。
これら2つの改良作業の最先端性能に対して, GilBERT は, より優れた, あるいは同等な結果が得られることを示す。
論文 参考訳(メタデータ) (2022-11-18T19:01:21Z) - Joint Language Semantic and Structure Embedding for Knowledge Graph
Completion [66.15933600765835]
本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。
本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。
各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
論文 参考訳(メタデータ) (2022-09-19T02:41:02Z) - A Review of Knowledge Graph Completion [0.0]
情報抽出法は構造化データや非構造化データからの3重抽出に有効であることが証明された。
現在の知識グラフのほとんどは不完全である。
下流タスクでKGを使用するためには、KGに欠けているリンクを予測することが望ましい。
論文 参考訳(メタデータ) (2022-08-24T16:42:59Z) - DegreEmbed: incorporating entity embedding into logic rule learning for
knowledge graph reasoning [5.499688003232003]
知識グラフのリンク予測は、既存の知識に基づいて推論することで、行方不明の事実を完遂することを目的としたタスクである。
組込み学習と論理ルールマイニングを組み合わせたKG上での推論モデルであるDegreEmbedを提案する。
論文 参考訳(メタデータ) (2021-12-18T13:38:48Z) - Scientific Language Models for Biomedical Knowledge Base Completion: An
Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。
LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文 参考訳(メタデータ) (2021-06-17T17:55:33Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳(メタデータ) (2021-04-07T11:13:35Z) - FedE: Embedding Knowledge Graphs in Federated Setting [21.022513922373207]
マルチソースKGは、実際の知識グラフアプリケーションでは一般的な状況である。
データプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけで、お互いのKGCを補完することはできない。
我々は,局所的な更新を集約して知識グラフの埋め込みを学習することに焦点を当てた,知識グラフ埋め込みフレームワークであるフェデレーション(Federated Knowledge Graph Embedding)を提案する。
論文 参考訳(メタデータ) (2020-10-24T11:52:05Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳(メタデータ) (2020-04-30T14:16:19Z) - Structure-Augmented Text Representation Learning for Efficient Knowledge
Graph Completion [53.31911669146451]
人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。
これらのグラフは通常不完全であり、自動補完を促す。
グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。
テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
論文 参考訳(メタデータ) (2020-04-30T13:50:34Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳(メタデータ) (2020-01-08T01:19:08Z)
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。