論文の概要: TeKo: Text-Rich Graph Neural Networks with External Knowledge
- arxiv url: http://arxiv.org/abs/2206.07253v1
- Date: Wed, 15 Jun 2022 02:33:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 13:23:53.542083
- Title: TeKo: Text-Rich Graph Neural Networks with External Knowledge
- Title（参考訳）: TeKo:外部知識を備えたテキストリッチグラフニューラルネットワーク
- Authors: Zhizhi Yu, Di Jin, Jianguo Wei, Ziyang Liu, Yue Shang, Yun Xiao,
Jiawei Han, and Lingfei Wu
- Abstract要約: 外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。
まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。
次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
- 参考スコア（独自算出の注目度）: 75.91477450060808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have gained great popularity in tackling various
analytical tasks on graph-structured data (i.e., networks). Typical GNNs and
their variants follow a message-passing manner that obtains network
representations by the feature propagation process along network topology,
which however ignore the rich textual semantics (e.g., local word-sequence)
that exist in many real-world networks. Existing methods for text-rich networks
integrate textual semantics by mainly utilizing internal information such as
topics or phrases/words, which often suffer from an inability to
comprehensively mine the text semantics, limiting the reciprocal guidance
between network structure and text semantics. To address these problems, we
propose a novel text-rich graph neural network with external knowledge (TeKo),
in order to take full advantage of both structural and textual information
within text-rich networks. Specifically, we first present a flexible
heterogeneous semantic network that incorporates high-quality entities and
interactions among documents and entities. We then introduce two types of
external knowledge, that is, structured triplets and unstructured entity
description, to gain a deeper insight into textual semantics. We further design
a reciprocal convolutional mechanism for the constructed heterogeneous semantic
network, enabling network structure and textual semantics to collaboratively
enhance each other and learn high-level network representations. Extensive
experimental results on four public text-rich networks as well as a large-scale
e-commerce searching dataset illustrate the superior performance of TeKo over
state-of-the-art baselines.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データ(ネットワーク)の様々な分析タスクに取り組むことで大きな人気を得ている。
典型的なGNNとその変種は、ネットワークトポロジーに沿った特徴伝播プロセスによってネットワーク表現を得るメッセージパス方式に従うが、多くの実世界のネットワークに存在するリッチなテキスト意味論(例えば、ローカルな単語列)を無視する。
既存のテキストリッチネットワークの方法は、主にトピックやフレーズ/ワードなどの内部情報を活用することで、テキストセマンティクスを包括的にマイニングできないことがあり、ネットワーク構造とテキストセマンティクス間の相互ガイダンスを制限することによって、テキストセマンティクスを統合する。
これらの問題に対処するために,テキストリッチネットワーク内の構造情報とテキスト情報の両方をフル活用するために,外部知識を持つ新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。
具体的には、まず、高品質なエンティティとドキュメントとエンティティ間の相互作用を組み込んだフレキシブルな異種セマンティックネットワークを提案する。
次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入し、テキスト意味論の深い洞察を得る。
さらに,構築されたヘテロジニアス・セマンティクス・ネットワークの相互畳み込み機構をデザインし,ネットワーク構造とテクスト的セマンティクスが協調して相互に強化し,ハイレベル・ネットワーク表現を学ぶ。
4つの公開テキストリッチネットワークと大規模eコマース検索データセットの大規模な実験結果から、最先端のベースラインよりもTeKoの方が優れたパフォーマンスを示している。
関連論文リスト
- Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。
提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
論文 参考訳（メタデータ） (2024-06-18T13:35:25Z) - Less Data, More Knowledge: Building Next Generation Semantic
Communication Networks [180.82142885410238]
本稿では、スケーラブルなエンドツーエンドセマンティック通信ネットワークの最初の厳密なビジョンを示す。
まず、セマンティック・コミュニケーション・ネットワークの設計は、データ駆動型ネットワークから知識駆動型ネットワークへどのように移行する必要があるかについて議論する。
意味表現と言語を用いることで、従来の送信機と受信機が教師と見習いになることを示す。
論文 参考訳（メタデータ） (2022-11-25T19:03:25Z) - Imitation Learning-based Implicit Semantic-aware Communication Networks:
Multi-layer Representation and Collaborative Reasoning [68.63380306259742]
有望な可能性にもかかわらず、セマンティック通信とセマンティック・アウェア・ネットワーキングはまだ初期段階にある。
本稿では,CDCとエッジサーバの複数層を連携させる,推論に基づく暗黙的セマンティック・アウェア通信ネットワークアーキテクチャを提案する。
暗黙的セマンティクスの階層構造と個人ユーザのパーソナライズされた推論嗜好を考慮に入れたセマンティクス情報の多層表現を提案する。
論文 参考訳（メタデータ） (2022-10-28T13:26:08Z) - Heterformer: Transformer-based Deep Node Representation Learning on
Heterogeneous Text-Rich Networks [29.33447325640058]
Heterformerは、コンテキスト化されたテキストエンコーディングと、統一されたモデルでヘテロジニアスな構造エンコーディングを実行する。
我々は3つの大規模データセット上で3つのタスク(リンク予測、ノード分類、ノードクラスタリング)について包括的な実験を行う。
論文 参考訳（メタデータ） (2022-05-20T16:26:39Z) - Minimally-Supervised Structure-Rich Text Categorization via Learning on
Text-Rich Networks [61.23408995934415]
テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。
具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。
実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
論文 参考訳（メタデータ） (2021-02-23T04:14:34Z) - NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。
netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
論文 参考訳（メタデータ） (2020-12-22T03:56:26Z) - Adversarial Context Aware Network Embeddings for Textual Networks [8.680676599607123]
既存のアプローチでは、接続ノードの埋め込みを同様のものにすることで、テキストとネットワーク構造の埋め込みを学習する。
これは、これらのアプローチが埋め込みを学ぶためにエッジ情報を必要としており、目に見えないノードの埋め込みを学ぶことができないことを意味している。
本稿では,モダリティ融合と未確認ノードの埋め込みを学習する能力の両方を実現するアプローチを提案する。
論文 参考訳（メタデータ） (2020-11-05T05:20:01Z) - BiTe-GCN: A New GCN Architecture via BidirectionalConvolution of
Topology and Features on Text-Rich Networks [44.74164340799386]
BiTe-GCNは、トポロジとテキストリッチネットワークの機能の両方を双方向に畳み込む新しいGCNアーキテクチャである。
私たちの新しいアーキテクチャは、ブレークアウトの改善によって最先端よりも優れています。
このアーキテクチャは、JD検索のようないくつかのeコマース検索シーンにも適用できる。
論文 参考訳（メタデータ） (2020-10-23T04:38:30Z) - Using word embeddings to improve the discriminability of co-occurrence
text networks [0.1611401281366893]
共起ネットワークにおける仮想リンク作成ツールとしての単語埋め込みの利用により,分類システムの品質が向上するかどうかを検討する。
その結果,Glove,Word2Vec,FastTextでは,スタイメトリータスクの識別性が向上していることがわかった。
論文 参考訳（メタデータ） (2020-03-13T13:35:44Z) - Inductive Document Network Embedding with Topic-Word Attention [5.8010446129208155]
文書ネットワークの埋め込みは、文書が相互にリンクされているとき、構造化されたテキストコーパスの表現を学習することを目的としている。
近年のアルゴリズムでは、ノードに関連付けられたテキストコンテンツを定式化に組み込むことで、ネットワーク埋め込みアプローチを拡張している。
本稿では,解釈可能かつインダクティブな文書ネットワークの埋め込み手法を提案する。
論文 参考訳（メタデータ） (2020-01-10T10:14:07Z)
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。