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
- Retrieve-Rewrite-Answer: A KG-to-Text Enhanced LLMs Framework for
Knowledge Graph Question Answering [16.434098552925427]
本稿では,知識グラフ質問応答(KGQA)課題を解決するために,KG拡張言語モデルアプローチについて検討する。
そこで本研究では,KGの知識をテキスト化された文に変換する,応答に敏感なKG-to-Textアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-20T10:42:08Z) - 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) - Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。
大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。
トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
論文 参考訳(メタデータ) (2022-09-27T21:32:20Z) - 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) - MEKER: Memory Efficient Knowledge Embedding Representation for Link
Prediction and Question Answering [65.62309538202771]
知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。
KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。
リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:47:03Z) - 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) - Toward Subgraph-Guided Knowledge Graph Question Generation with Graph
Neural Networks [53.58077686470096]
知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。
本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
論文 参考訳(メタデータ) (2020-04-13T15:43:22Z)
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。