論文の概要: Knowledge Graph Curation: A Practical Framework
- arxiv url: http://arxiv.org/abs/2208.08130v1
- Date: Wed, 17 Aug 2022 07:55:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:20:09.321588
- Title: Knowledge Graph Curation: A Practical Framework
- Title（参考訳）: 知識グラフのキュレーション - 実践的なフレームワーク
- Authors: Elwin Huaman and Dieter Fensel
- Abstract要約: そこで本研究では,KGの品質向上のための知識グラフキュレーションフレームワークを提案する。
まず、KGsの状態を評価するための品質指標のセットを定義する。
次に, クリーニング作業としてKGの検証と検証を行う。
第3に,KGの濃縮のための重複検出と知識融合戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Knowledge Graphs (KGs) have shown to be very important for applications such
as personal assistants, question-answering systems, and search engines.
Therefore, it is crucial to ensure their high quality. However, KGs inevitably
contain errors, duplicates, and missing values, which may hinder their adoption
and utility in business applications, as they are not curated, e.g.,
low-quality KGs produce low-quality applications that are built on top of them.
In this vision paper, we propose a practical knowledge graph curation framework
for improving the quality of KGs. First, we define a set of quality metrics for
assessing the status of KGs, Second, we describe the verification and
validation of KGs as cleaning tasks, Third, we present duplicate detection and
knowledge fusion strategies for enriching KGs. Furthermore, we give insights
and directions toward a better architecture for curating KGs.
- Abstract（参考訳）: 知識グラフ(KG)は、パーソナルアシスタント、質問応答システム、検索エンジンなどのアプリケーションにとって非常に重要である。
そのため、高い品質を確保することが重要である。
しかし、kgには必然的にエラーや重複、価値の欠如が含まれており、例えば低品質のkgはそれらの上に構築された低品質のアプリケーションを生成するため、ビジネスアプリケーションへの採用や有用性を阻害する可能性がある。
本稿では,kgsの品質向上のための実践的知識グラフキュレーションフレームワークを提案する。
まず,kgsの状態を評価するための一連の品質指標を定義し,第2に,kgsの検証と検証をクリーニングタスクとして記述し,第3に,重複検出と知識融合戦略を提案する。
さらに、KGsをキュレートするためのより良いアーキテクチャに向けた洞察と方向性を提供する。
関連論文リスト
- Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。
我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。
様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-10-24T04:01:40Z) - 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) - Context Graph [8.02985792541121]
本稿では,大規模言語モデル(LLM)を活用して候補エンティティや関連するコンテキストを検索する,コンテキストグラフ推論のtextbfCGR$3$パラダイムを提案する。
実験の結果、CGR$3$はKG完了(KGC)およびKG質問応答(KGQA)タスクの性能を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-06-17T02:59:19Z) - 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) - Construction of Knowledge Graphs: State and Challenges [2.245333517888782]
本稿では,知識グラフ(KG)の主要グラフモデルについて論じ,今後のKG構築パイプラインの要件について紹介する。
次に、メタデータ管理などの横断的なトピックを含む高品質なKGを構築するために必要な手順の概要を紹介する。
我々は、KG構築技術の現状を評価するとともに、KG構築のための最近のツールや戦略と同様に、特定の人気KGに対して導入された要件について評価する。
論文 参考訳（メタデータ） (2023-02-22T17:26:03Z) - Knowledge Graph Quality Evaluation under Incomplete Information [9.48089663504665]
不完全情報に基づく知識グラフ品質評価フレームワーク(QEII)を提案する。
品質評価タスクは、2つのKG間の逆Q&Aゲームに変換される。
評価プロセス中は、情報保護を保証する生データを露出しない。
論文 参考訳（メタデータ） (2022-12-02T06:12:10Z) - 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) - Identify, Align, and Integrate: Matching Knowledge Graphs to Commonsense
Reasoning Tasks [81.03233931066009]
与えられたタスクの目的に整合した知識グラフ(KG)を選択することは重要である。
候補者KGがタスクの推論のギャップを正しく識別し、正確に埋めることができるかを評価するアプローチを示す。
このkg-to-taskマッチングを,知識-タスク識別,知識-タスクアライメント,知識-タスク統合という3つのフェーズで示す。
論文 参考訳（メタデータ） (2021-04-20T18:23:45Z) - QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question
Answering [122.84513233992422]
学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。
既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
論文 参考訳（メタデータ） (2021-04-13T17:32:51Z) - Learning to Deceive Knowledge Graph Augmented Models via Targeted
Perturbation [42.407209719347286]
知識グラフ(KG)は、ニューラルネットワークが様々な知識集約タスクのパフォーマンスを向上させるのに役立つ。
強化学習政策により, 知覚的に摂動するKGを生成できることを示す。
以上の結果から,KGを付加したモデルがKG情報を解析し,合理的な説明を行う能力に疑問が生じる。
論文 参考訳（メタデータ） (2020-10-24T11:04:45Z) - IterefinE: Iterative KG Refinement Embeddings using Symbolic Knowledge [10.689559910656474]
テキストソースから抽出された知識グラフ(KG)は、しばしばノイズが多く、KGベースの質問応答のような下流アプリケーションタスクではパフォーマンスが低下する。
最も成功したKG精製技術は、推論規則と推論監督の過剰な利用である。
本稿では,2つの手法を反復的に組み合わせたIterefinEというKG精製フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T14:05:54Z)
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。