論文の概要: A Knowledge Graph Embeddings based Approach for Author Name
Disambiguation using Literals
- arxiv url: http://arxiv.org/abs/2201.09555v1
- Date: Mon, 24 Jan 2022 09:57:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 01:35:43.441141
- Title: A Knowledge Graph Embeddings based Approach for Author Name
Disambiguation using Literals
- Title(参考訳): リテラルを用いた著者名曖昧化のための知識グラフ埋め込み手法
- Authors: Cristian Santini, Genet Asefa Gesese, Silvio Peroni, Aldo Gangemi,
Harald Sack, Mehwish Alam
- Abstract要約: Literally Author Name Disambiguation (LAND)は、Scholarly KGsから生成されたマルチモーダルリテラル情報を用いて知識グラフ埋め込み(KGE)を利用する。
このフレームワークは, 1) マルチモーダルKGE, 2) ブロッキング手順, 3) 階層的クラスタリングという3つのコンポーネントに基づいている。
- 参考スコア(独自算出の注目度): 3.025718443055402
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scholarly data is growing continuously containing information about the
articles from plethora of venues including conferences, journals, etc. Many
initiatives have been taken to make scholarly data available in the for of
Knowledge Graphs (KGs). These efforts to standardize these data and make them
accessible have also lead to many challenges such as exploration of scholarly
articles, ambiguous authors, etc. This study more specifically targets the
problem of Author Name Disambiguation (AND) on Scholarly KGs and presents a
novel framework, Literally Author Name Disambiguation (LAND), which utilizes
Knowledge Graph Embeddings (KGEs) using multimodal literal information
generated from these KGs. This framework is based on three components: 1)
Multimodal KGEs, 2) A blocking procedure, and finally, 3) Hierarchical
Agglomerative Clustering. Extensive experiments have been conducted on two
newly created KGs: (i) KG containing information from Scientometrics Journal
from 1978 onwards (OC-782K), and (ii) a KG extracted from a well-known
benchmark for AND provided by AMiner (AMiner-534K). The results show that our
proposed architecture outperforms our baselines of 8-14\% in terms of F$_1$
score and shows competitive performances on a challenging benchmark such as
AMiner. The code and the datasets are publicly available through Github
(https://github.com/sntcristian/and-kge) and Zenodo
(https://zenodo.org/record/5675787\#.YcCJzL3MJTY) respectively.
- Abstract(参考訳): 学術的なデータは、カンファレンスやジャーナルなど多くの会場からの記事に関する情報を継続的に含んでいる。
学術データをKG(Knowledge Graphs)で利用できるようにするために、多くの取り組みがなされている。
これらのデータを標準化し、アクセス可能にする努力は、学術論文の探索や曖昧な著者など、多くの課題にも繋がる。
本研究は,これらのKGから生成されたマルチモーダルリテラル情報を用いて知識グラフ埋め込み(KGE)を利用する,Scholarly KGsにおけるオーサリング名曖昧化(AND)の問題と,新たなフレームワークであるLAND(Liteally Author Name Disambiguation)を提案する。
このフレームワークは3つのコンポーネントに基づいている。
1)マルチモーダルKGE
2) ブロック手順, そして最後に
3)階層的凝集クラスタリング。
新たに作られた2つのKGに対して大規模な実験が行われた。
i)1978年以降のScientometrics Journal(OC-782K)からの情報を含むKG
(ii) aminer(aminer-534k)によって提供された有名なベンチマークから抽出されたkg。
その結果,提案したアーキテクチャはF$_1$スコアで8~14\%のベースラインを上回り,AMinerのような挑戦的なベンチマーク上での競合性能を示した。
コードとデータセットはgithub(https://github.com/sntcristian/and-kge)とzenodo(https://zenodo.org/record/5675787\#)で公開されている。
YcCJzL3MJTYであった。
関連論文リスト
- FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning [55.02512821257247]
複雑な論理的問合せ応答は知識グラフ(KG)の課題である
近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。
マルチソースKGのクエリにどのように答えるかは、まだ不明である。
論文 参考訳(メタデータ) (2024-02-22T14:57:44Z) - Text-To-KG Alignment: Comparing Current Methods on Classification Tasks [2.191505742658975]
知識グラフ(KG)は、事実情報の密集した構造化された表現を提供する。
最近の研究は、追加のコンテキストとしてKGから情報を取得するパイプラインモデルの作成に重点を置いている。
現在のメソッドが、アライメントされたサブグラフがクエリに完全に関連しているシナリオとどのように比較されているかは分かっていない。
論文 参考訳(メタデータ) (2023-06-05T13:45:45Z) - Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。
本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
論文 参考訳(メタデータ) (2022-06-15T12:16:10Z) - Triple Classification for Scholarly Knowledge Graph Completion [1.9322973059079729]
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。
論文 参考訳(メタデータ) (2021-11-23T13:16:31Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - 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) - Relational Learning Analysis of Social Politics using Knowledge Graph
Embedding [11.978556412301975]
本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。
ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。
このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
論文 参考訳(メタデータ) (2020-06-02T14:10:28Z) - 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) - Entity Type Prediction in Knowledge Graphs using Embeddings [2.7528170226206443]
オープンナレッジグラフ(DBpedia、Wikidata、YAGOなど)は、データマイニングと情報検索の分野における多様なアプリケーションのバックボーンとして認識されている。
これらのKGのほとんどは、スナップショットからの自動情報抽出またはユーザーが提供する情報蓄積によって作成されるか、ウィキペディアを用いて作成される。
これらのKGの型情報は、しばしばうるさい、不完全、不正確である。
KG埋め込みを用いたエンティティタイピングのためのマルチラベル分類手法を提案する。
論文 参考訳(メタデータ) (2020-04-28T17:57:08Z) - KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization
and Completion [99.47414073164656]
包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。
2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。
我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
論文 参考訳(メタデータ) (2020-04-28T16:21:57Z) - Toward Subgraph-Guided Knowledge Graph Question Generation with Graph
Neural Networks [53.58077686470096]
知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。
本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
論文 参考訳(メタデータ) (2020-04-13T15:43:22Z)
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。