論文の概要: TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic Representations

• arxiv url: http://arxiv.org/abs/2202.04887v1
• Date: Thu, 10 Feb 2022 08:10:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 14:43:22.965247
• Title: TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic Representations
• Title（参考訳）: taxoenrich: 構造論的表現による自己教師付き分類体系の完成
• Authors: Minhao Jiang, Xiangchen Song, Jieyu Zhang, Jiawei Han
• Abstract要約: 本稿では,既存の分類学における意味的特徴と構造的情報の両方を効果的に活用する新しい分類学補完フレームワークを提案する。 分類エンリッチは,(1)概念の意味的意味と分類学的関係を,強力な事前学習言語モデルに基づいて組み込んだ分類記述型埋め込み,(2)分類の構造情報を符号化して候補位置表現を学習する分類認識シーケンシャルエンコーダの4つの構成要素から構成される。 異なるドメインからの4つの大規模な実世界のデータセットの実験は、TaxoEnrichがすべての評価指標の中で最高のパフォーマンスを達成し、過去の最先端よりも大きなマージンでパフォーマンスを向上していることを示している。
• 参考スコア（独自算出の注目度）: 28.65753036636082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Taxonomies are fundamental to many real-world applications in various domains, serving as structural representations of knowledge. To deal with the increasing volume of new concepts needed to be organized as taxonomies, researchers turn to automatically completion of an existing taxonomy with new concepts. In this paper, we propose TaxoEnrich, a new taxonomy completion framework, which effectively leverages both semantic features and structural information in the existing taxonomy and offers a better representation of candidate position to boost the performance of taxonomy completion. Specifically, TaxoEnrich consists of four components: (1) taxonomy-contextualized embedding which incorporates both semantic meanings of concept and taxonomic relations based on powerful pretrained language models; (2) a taxonomy-aware sequential encoder which learns candidate position representations by encoding the structural information of taxonomy; (3) a query-aware sibling encoder which adaptively aggregates candidate siblings to augment candidate position representations based on their importance to the query-position matching; (4) a query-position matching model which extends existing work with our new candidate position representations. Extensive experiments on four large real-world datasets from different domains show that \TaxoEnrich achieves the best performance among all evaluation metrics and outperforms previous state-of-the-art methods by a large margin.
• Abstract（参考訳）: 分類学は様々な領域における多くの現実世界の応用に基本的であり、知識の構造的表現として機能する。 分類学として組織化されるために必要な新しい概念の量を増やすために、研究者は既存の分類学を新しい概念で自動的に完成させる。 本稿では,既存の分類学における意味的特徴と構造的情報の両方を効果的に活用し,分類学完成度を高めるための候補位置のより良い表現を提供する新しい分類学完成フレームワークであるTaxoEnrichを提案する。 Specifically, TaxoEnrich consists of four components: (1) taxonomy-contextualized embedding which incorporates both semantic meanings of concept and taxonomic relations based on powerful pretrained language models; (2) a taxonomy-aware sequential encoder which learns candidate position representations by encoding the structural information of taxonomy; (3) a query-aware sibling encoder which adaptively aggregates candidate siblings to augment candidate position representations based on their importance to the query-position matching; (4) a query-position matching model which extends existing work with our new candidate position representations. 異なるドメインからの4つの大規模な実世界のデータセットに対する大規模な実験により、 \TaxoEnrich はすべての評価指標の中で最高のパフォーマンスを達成し、従来の最先端の手法を大きなマージンで上回ることを示した。

関連論文リスト

• CodeTaxo: Enhancing Taxonomy Expansion with Limited Examples via Code Language Prompts [40.52605902842168]
  textscCodeTaxoは、コード言語プロンプトを通じて大きな言語モデルを活用する新しいアプローチである。 異なるドメインの5つの実世界のベンチマークの実験では、textscCodeTaxoはすべての評価指標に対して一貫して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-17T02:15:07Z)
• A Unified Taxonomy-Guided Instruction Tuning Framework for Entity Set Expansion and Taxonomy Expansion [32.700682888513946]
  我々は、エンティティセットの拡大、分類拡張、種誘導分類構築に必要な2つの共通スキルを識別する:「兄弟」の発見と「親」の発見である。 そこで本研究では,大規模言語モデルを用いてクエリエンティティの兄弟と親を生成するための分類誘導型指導チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-20T22:19:56Z)
• Creating a Fine Grained Entity Type Taxonomy Using LLMs [0.0]
  本研究は, GPT-4とその先進的な反復である GPT-4 Turbo が, 詳細な実体型分類学を自律的に開発する可能性について検討する。 我々の目的は、広く分類されたエンティティタイプから始まる包括的な分類体系を構築することである。 この分類は、GPT-4の内部知識ベースを利用して反復的なプロンプト技術によって徐々に洗練される。
  論文  参考訳（メタデータ） (2024-02-19T21:32:19Z)
• Towards Visual Taxonomy Expansion [50.462998483087915]
  本稿では,分類拡張タスクに視覚的特徴を導入し,VTE(Visual Taxonomy Expansion)を提案する。 テキストと視覚のセマンティクスをクラスタリングするためのテキストハイパーネミー学習タスクとビジュアルプロトタイプ学習タスクを提案する。 提案手法を2つのデータセットで評価し,有意な結果を得た。
  論文  参考訳（メタデータ） (2023-09-12T10:17:28Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel Topic Clusters [57.59286394188025]
  我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。 TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。 2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
  論文  参考訳（メタデータ） (2022-01-18T07:07:38Z)
• Who Should Go First? A Self-Supervised Concept Sorting Model for Improving Taxonomy Expansion [50.794640012673064]
  データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。 分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。 本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
  論文  参考訳（メタデータ） (2021-04-08T11:00:43Z)
• CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring [37.1330815281983]
  本稿では,概念名によって記述された種子分類を入力としてコーパスと種分類を取り入れた種誘導型地域分類構築法を提案する。 関係伝達モジュールは、複数の経路に沿ってユーザの興味ある関係を学習し、転送し、種分類構造を幅と深さで拡張する。 概念学習モジュールは、分類学を共同で埋め込むことで、各概念ノードのセマンティクスを豊かにする。
  論文  参考訳（メタデータ） (2020-10-13T22:00:31Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)
• TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network [62.12557274257303]
  分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。 そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。 本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
  論文  参考訳（メタデータ） (2020-01-26T21:30:21Z)

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。