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

• KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models [55.39134076436266]
  KG-CFはランキングベースの知識グラフ補完タスクに適したフレームワークである。 KG-CFは、LLMの推論能力を活用して、無関係なコンテキストをフィルタリングし、現実世界のデータセットで優れた結果を得る。
  論文  参考訳（メタデータ） (2025-01-06T01:52:15Z)
• A Survey on Knowledge Graph Structure and Knowledge Graph Embeddings [2.2690868277262486]
  本論文は,著者の知識に基づいて,文献における知識グラフ埋め込みモデルとグラフ構造の確立した関係を探索した最初の総合的な調査である。 この研究がこの分野のさらなる研究を刺激し、KGs、KGEMs、リンク予測タスクのより包括的な理解に寄与することが著者の希望である。
  論文  参考訳（メタデータ） (2024-12-13T12:30:09Z)
• Graphusion: A RAG Framework for Knowledge Graph Construction with a Global Perspective [13.905336639352404]
  この研究は、無料テキストからゼロショットの知識グラフフレームワークであるGraphusionを導入している。 ステップ1では、トピックモデリングを用いてシードエンティティのリストを抽出し、最終KGに最も関連性の高いエンティティを導く。 ステップ2ではLSMを用いて候補三重項抽出を行い、ステップ3では抽出した知識のグローバルなビューを提供する新しい融合モジュールを設計する。
  論文  参考訳（メタデータ） (2024-10-23T06:54:03Z)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• 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)
• 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)

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。