論文の概要: Learning to Borrow -- Relation Representation for Without-Mention
Entity-Pairs for Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2204.13097v2
- Date: Thu, 28 Apr 2022 11:45:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 11:07:27.884424
- Title: Learning to Borrow -- Relation Representation for Without-Mention
Entity-Pairs for Knowledge Graph Completion
- Title(参考訳): 借用学習 -- 知識グラフ補完のための無補間エンティティペアのための関係表現
- Authors: Huda Hakami, Mona Hakami, Angrosh Mandya and Danushka Bollegala
- Abstract要約: SuperBorrowは、事前学習されたエンティティ埋め込みとコンテキスト化されたLPP表現を使用して、無意味なエンティティペアを表現するために、LCPの適合性を評価することを学ぶ。
実験の結果、SuperBorrowは複数の広く使われている知識グラフ埋め込み(KGE)手法のリンク予測性能を改善した。
- 参考スコア(独自算出の注目度): 11.863310680060733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prior work on integrating text corpora with knowledge graphs (KGs) to improve
Knowledge Graph Embedding (KGE) have obtained good performance for entities
that co-occur in sentences in text corpora. Such sentences (textual mentions of
entity-pairs) are represented as Lexicalised Dependency Paths (LDPs) between
two entities. However, it is not possible to represent relations between
entities that do not co-occur in a single sentence using LDPs. In this paper,
we propose and evaluate several methods to address this problem, where we
borrow LDPs from the entity pairs that co-occur in sentences in the corpus
(i.e. with mention entity pairs) to represent entity pairs that do not co-occur
in any sentence in the corpus (i.e. without mention entity pairs). We propose a
supervised borrowing method, SuperBorrow, that learns to score the suitability
of an LDP to represent a without-mention entity pair using pre-trained entity
embeddings and contextualised LDP representations. Experimental results show
that SuperBorrow improves the link prediction performance of multiple
widely-used prior KGE methods such as TransE, DistMult, ComplEx and RotatE.
- Abstract(参考訳): テキストコーパスを知識グラフ(KG)と統合して知識グラフ埋め込み(KGE)を改善する作業は,テキストコーパス内の文に共起するエンティティに対して,優れたパフォーマンスを得ることができた。
このような文(エンティティペアのテキスト参照)は、2つのエンティティ間でLexicalized Dependency Paths(LDP)として表現される。
しかし、LPPを用いて単一の文で共起しないエンティティ間の関係を表現することは不可能である。
本稿では、コーパス中の文(つまり、エンティティペア)に共起するエンティティペア(つまり、エンティティペア)からldpsを借用して、コーパス内の任意の文に共起しないエンティティペア(つまり、エンティティペアに言及せずに)を表現する手法を提案する。
本稿では,事前学習されたエンティティ埋め込みと文脈化されたldp表現を用いて,ldpの適合性を評価するための教師付き借用方法であるsuperborrowを提案する。
実験の結果, SuperBorrow は TransE, DistMult, ComplEx, RotatE など, 広く使われている複数の KGE 手法のリンク予測性能を改善した。
関連論文リスト
- Bipartite Graph Pre-training for Unsupervised Extractive Summarization
with Graph Convolutional Auto-Encoders [24.13261636386226]
本研究は, 文章表現の正当性や特徴を最適化するプロセスから, 事前学習した埋め込みを活用することで, 重要な文のランク付けに役立てるものであることを論じる。
そこで本研究では,文埋め込みのためのグラフ事前学習オートエンコーダを提案する。
論文 参考訳(メタデータ) (2023-10-29T12:27:18Z) - Semantic-Aware Contrastive Sentence Representation Learning with Large
Language Models [64.348539675761]
本稿では,セマンティック・アウェア・コントラッシブな文表現フレームワークであるSemCSRを提案する。
大規模言語モデル(LLM)の生成と評価機能を利用することで,高品質なNLI型コーパスを自動構築する。
論文 参考訳(メタデータ) (2023-10-17T03:21:43Z) - What Are You Token About? Dense Retrieval as Distributions Over the
Vocabulary [68.77983831618685]
本稿では,2つのエンコーダが生成するベクトル表現を,モデルの語彙空間に投影することで解釈する。
得られたプロジェクションは、リッチな意味情報を含み、それらの間の接続を描画し、スパース検索を行う。
論文 参考訳(メタデータ) (2022-12-20T16:03:25Z) - Enriching Relation Extraction with OpenIE [70.52564277675056]
関係抽出(RE)は情報抽出(IE)のサブ分野である
本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。
本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
論文 参考訳(メタデータ) (2022-12-19T11:26:23Z) - Few-Shot Nested Named Entity Recognition [4.8693196802491405]
本論文は,数発のネストNERタスクを研究対象とする最初の論文である。
本稿では、コンテキスト依存を学習し、ネストしたエンティティを識別するためのBiaffine-based Contrastive Learning (BCL)フレームワークを提案する。
BCLはF1スコアで1ショットと5ショットの3つのベースラインモデルを上回った。
論文 参考訳(メタデータ) (2022-12-02T03:42:23Z) - PIE: a Parameter and Inference Efficient Solution for Large Scale
Knowledge Graph Embedding Reasoning [24.29409958504209]
PIE, textbfparameter および textbfinference textbfefficient ソリューションを提案する。
テンソル分解法から着想を得た結果, 要素埋め込み行列を低階行列に分解することで, パラメータの半数以上を削減できることがわかった。
モデル推論を高速化するために,よりきめ細かなエンティティタイピングのように見える自己教師付き補助タスクを提案する。
論文 参考訳(メタデータ) (2022-04-29T09:06:56Z) - Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased
Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。
まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。
次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文 参考訳(メタデータ) (2022-03-18T09:14:13Z) - Nested Named Entity Recognition as Latent Lexicalized Constituency
Parsing [29.705133932275892]
最近(Fu et al, 2021)は、ネストされたNERに取り組むために、スパンベースの選挙区に適応している。
本研究では, より表現力のある構造, 語彙化された選挙区木を用いて, 成分がキーワードでアノテートされる。
我々はアイズナー・サッタのアルゴリズムを有効活用し,部分的辺縁化と推論を効率的に行う。
論文 参考訳(メタデータ) (2022-03-09T12:02:59Z) - Focus on what matters: Applying Discourse Coherence Theory to Cross
Document Coreference [22.497877069528087]
ドキュメント間でのイベントとエンティティのコア参照の解決は、候補参照の数を大幅に増加させ、完全な$n2$ペアワイズ比較を行うことを難しくする。
既存のアプローチでは、ドキュメントクラスタ内でのコア参照のみを考慮することで単純化されているが、クラスタ間のコア参照を処理できない。
我々は、談話コヒーレンス理論の洞察に基づいて、潜在的コア推論は、読者の談話焦点によって制約される。
本手法は,ECB+,ガン・バイオレンス,フットボール・コアス,クロスドメイン・クロスドキュメント・コアス・コーパスにおけるイベントとエンティティの両面での最先端の成果を達成する。
論文 参考訳(メタデータ) (2021-10-11T15:41:47Z) - ERICA: Improving Entity and Relation Understanding for Pre-trained
Language Models via Contrastive Learning [97.10875695679499]
そこで本研究では, ERICA という新たなコントラスト学習フレームワークを提案し, エンティティとその関係をテキストでより深く理解する。
実験の結果,提案する erica フレームワークは文書レベルの言語理解タスクにおいて一貫した改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-12-30T03:35:22Z) - Consensus-Aware Visual-Semantic Embedding for Image-Text Matching [69.34076386926984]
画像テキストマッチングは、視覚と言語をブリッジする上で中心的な役割を果たす。
既存のアプローチのほとんどは、表現を学ぶためにイメージテキストインスタンスペアのみに依存しています。
コンセンサスを意識したビジュアル・セマンティック・エンベディングモデルを提案し,コンセンサス情報を組み込む。
論文 参考訳(メタデータ) (2020-07-17T10:22:57Z)
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。