論文の概要: KGEA: A Knowledge Graph Enhanced Article Quality Identification Dataset
- arxiv url: http://arxiv.org/abs/2206.07556v1
- Date: Wed, 15 Jun 2022 14:15:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 22:24:10.571806
- Title: KGEA: A Knowledge Graph Enhanced Article Quality Identification Dataset
- Title(参考訳): KGEA: 知識グラフによる記事の品質識別データセット
- Authors: Chunhui Ai and Derui Wang and Yang Xu and Wenrui Xie and Ziqiang Cao
- Abstract要約: Baidu Encyclopediaに基づく知識グラフ強化記事品質識別データセット(KGEA)を提案する。
論文を7次元で定量化し,記事とBaidu百科事典の実体の共起を利用して,各記事の知識グラフを構築した。
また、いくつかのテキスト分類ベースラインを比較して、外部知識が、グラフニューラルネットワークとのより競争力のある分類に導くことができることを示した。
- 参考スコア(独自算出の注目度): 4.811084336809668
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With so many articles of varying quality being produced at every moment, it
is a very urgent task to screen this data for quality articles and commit them
out to social media. It is worth noting that high quality articles have many
characteristics, such as relevance, text quality, straightforward, multi-sided,
background, novelty and sentiment. Thus, it would be inadequate to purely use
the content of an article to identify its quality. Therefore, we plan to use
the external knowledge interaction to refine the performance and propose a
knowledge graph enhanced article quality identification dataset (KGEA) based on
Baidu Encyclopedia. We quantified the articles through 7 dimensions and use
co-occurrence of the entities between the articles and the Baidu encyclopedia
to construct the knowledge graph for every article. We also compared some text
classification baselines and found that external knowledge can guide the
articles to a more competitive classification with the graph neural networks.
- Abstract(参考訳): さまざまな品質の記事が毎回作成されているので、このデータを質の高い記事としてスクリーニングし、ソーシャルメディアにコミットするのは非常に緊急の作業です。
高品質な記事には、関連性、テキスト品質、ストレート、マルチサイド、背景、ノベルティ、感情など、多くの特徴があることに注意が必要だ。
したがって、単に記事の内容をその品質を特定するために使うのは不適切である。
そこで本研究では,外部知識インタラクションを用いて性能を洗練し,baidu百科事典に基づく知識グラフ強化記事品質識別データセット(kgea)を提案する。
論文を7次元で定量化し,記事とBaidu百科事典の実体の共起を利用して,各記事の知識グラフを構築した。
また、いくつかのテキスト分類ベースラインを比較し、外部知識がグラフニューラルネットワークとのより競争力のある分類に導くことができることを示した。
関連論文リスト
- Towards Verifiable Generation: A Benchmark for Knowledge-aware Language
Model Attribution [48.92960579675478]
我々は知識認識型言語モデル属性(KaLMA)の新しいタスクを定義する。
まず、構造化されていないテキストから知識グラフ(KG)へ属性ソースを拡張する。
第2に,不完全な知識リポジトリを考慮した「意識的非能力」の設定を提案する。
第3に,テキスト品質,引用品質,引用アライメントを含む総合的な自動評価指標を提案する。
論文 参考訳(メタデータ) (2023-10-09T11:45:59Z) - 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) - Blind Image Quality Assessment via Vision-Language Correspondence: A
Multitask Learning Perspective [93.56647950778357]
ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。
我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
論文 参考訳(メタデータ) (2023-03-27T07:58:09Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - The Curious Layperson: Fine-Grained Image Recognition without Expert
Labels [90.88501867321573]
我々は、専門家のアノテーションを使わずに、きめ細かい画像認識という新しい問題を考える。
非専門的な画像記述を用いてオブジェクトの視覚的外観を記述するモデルを学ぶ。
次に、画像記述と文書とを文レベルでマッチングする、きめ細かいテキスト類似性モデルを訓練する。
論文 参考訳(メタデータ) (2021-11-05T17:58:37Z) - Assessing the quality of sources in Wikidata across languages: a hybrid
approach [64.05097584373979]
いくつかの言語でラベルを持つWikidataのトリプルからサンプルした参照コーパスの大規模なコーパスを評価するために,一連のマイクロタスク実験を実施している。
クラウドソースアセスメントの統合されたバージョンを使用して、いくつかの機械学習モデルをトレーニングして、Wikidata全体の分析をスケールアップしています。
この結果はWikidataにおける参照の質の確認に役立ち、ユーザ生成多言語構造化データの品質をWeb上で定義し、取得する際の共通の課題を特定するのに役立ちます。
論文 参考訳(メタデータ) (2021-09-20T10:06:46Z) - Topic-to-Essay Generation with Comprehensive Knowledge Enhancement [8.373915325503289]
本稿では,内部知識と外部知識の両方から情報を抽出し,エッセイ生成を改善することを目的とする。
内部知識の強化のために、トピックと関連するエッセイの両方を、情報源情報として教師ネットワークに供給する。
外部知識向上のために,トピック知識グラフエンコーダを提案する。
論文 参考訳(メタデータ) (2021-06-29T08:01:42Z) - A Sentiment-Controllable Topic-to-Essay Generator with Topic Knowledge
Graph [44.00244549852883]
トピック知識グラフ強化デコーダを用いた,新しい感性制御型トピック・ツー・エッセイ・ジェネレータを提案する。
まず、各文に対する感情を制御するために、感情情報をジェネレータに注入し、様々なエッセイを生み出す。
知識エンティティを別々に使用する既存のモデルとは異なり、我々のモデルは知識グラフ全体を扱い、より構造化され、連結されたセマンティック情報をグラフにエンコードし、より関連するエッセイを生成する。
論文 参考訳(メタデータ) (2020-10-12T08:06:12Z) - Cognitive Representation Learning of Self-Media Online Article Quality [24.084727302752377]
セルフメディアオンライン記事は主にユーザによって作成され、異なるテキストレベルの外観特性とマルチモーダルハイブリッド編集が特徴である。
レイアウト構造, 特徴記述, テキスト意味論と組み合わせて, 共同モデルCoQANを構築した。
また,大規模な実世界評価データセットを構築した。
論文 参考訳(メタデータ) (2020-08-13T02:59:52Z) - 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)
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。