論文の概要: Clustering Semantic Predicates in the Open Research Knowledge Graph
- arxiv url: http://arxiv.org/abs/2210.02034v1
- Date: Wed, 5 Oct 2022 05:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 14:45:29.889179
- Title: Clustering Semantic Predicates in the Open Research Knowledge Graph
- Title(参考訳): オープンリサーチ知識グラフにおける意味表現のクラスタリング
- Authors: Omar Arab Oghli, Jennifer D'Souza, S\"oren Auer
- Abstract要約: オープンリサーチ知識グラフ(ORKG)のリソースに関する述語を推奨するために、2つのAIベースのクラスタリングアルゴリズムをカスタマイズするアプローチについて述べる。
線形実行時の性能を比較的高い精度で再現する実験は,非常に有望な結果を示した。
この研究は、44の研究分野にまたがる学術知識のセマンティフィケーションのための一般的なセマンティフィケーションパターンとして、自動的に緩やかに蓄積する述語群に対する新たな洞察を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When semantically describing knowledge graphs (KGs), users have to make a
critical choice of a vocabulary (i.e. predicates and resources). The success of
KG building is determined by the convergence of shared vocabularies so that
meaning can be established. The typical lifecycle for a new KG construction can
be defined as follows: nascent phases of graph construction experience
terminology divergence, while later phases of graph construction experience
terminology convergence and reuse. In this paper, we describe our approach
tailoring two AI-based clustering algorithms for recommending predicates (in
RDF statements) about resources in the Open Research Knowledge Graph (ORKG)
https://orkg.org/. Such a service to recommend existing predicates to semantify
new incoming data of scholarly publications is of paramount importance for
fostering terminology convergence in the ORKG. Our experiments show very
promising results: a high precision with relatively high recall in linear
runtime performance. Furthermore, this work offers novel insights into the
predicate groups that automatically accrue loosely as generic semantification
patterns for semantification of scholarly knowledge spanning 44 research
fields.
- Abstract(参考訳): 知識グラフ(KG)を意味的に記述する場合、ユーザーは語彙(述語と資源)を批判的に選択する必要がある。
KGビルディングの成功は共有語彙の収束によって決定され、意味が確立される。
新しいKG構成の典型的なライフサイクルは次のように定義できる: グラフ構築経験用語の分岐の初期段階、グラフ構築経験用語の収束と再利用の後の段階。
本稿では、オープンリサーチ知識グラフ(ORKG) https://orkg.org/におけるリソースに関する述語(RDF文)を推奨するために、2つのAIベースのクラスタリングアルゴリズムをカスタマイズするアプローチについて述べる。
学術出版物の新たな入ってくるデータをセマンティフィケーションする既存の述語を推奨するサービスは、ORKGにおける用語収束を促進する上で最重要となる。
線形実行時の性能を比較的高い精度で再現する実験を行った。
さらに、この研究は、44の研究分野にわたる学術知識のセマンティフィケーションのための一般的なセマンティフィケーションパターンとして、自動的に緩やかに蓄積する述語群に対する新たな洞察を提供する。
関連論文リスト
- Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。
KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
論文 参考訳(メタデータ) (2025-02-08T02:14:31Z) - CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs [9.718354494802002]
CG-RAG(Contextualized Graph Retrieval-Augmented Generation)は、グラフ構造に疎密な検索信号を統合する新しいフレームワークである。
まず、引用グラフの文脈グラフ表現を提案し、文書内および文書間の明示的および暗黙的な接続を効果的にキャプチャする。
次にLexical-Semantic Graph Retrieval(LeSeGR)を提案する。
第3に,検索したグラフ構造化情報を利用した文脈認識生成手法を提案する。
論文 参考訳(メタデータ) (2025-01-25T04:18:08Z) - Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。
我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。
我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
論文 参考訳(メタデータ) (2024-12-30T13:36:05Z) - Knowledge Graph Completion using Structural and Textual Embeddings [0.0]
本稿では,知識グラフ内のテキスト情報と構造情報の両方を利用する関係予測モデルを提案する。
本手法では,歩行に基づく埋め込みと言語モデル埋め込みを統合し,ノードを効果的に表現する。
本研究では,広く利用されているデータセットで評価した場合,関係予測タスクにおける競合結果が得られたことを実証する。
論文 参考訳(メタデータ) (2024-04-24T21:04:14Z) - Multi-perspective Improvement of Knowledge Graph Completion with Large
Language Models [95.31941227776711]
我々は,文脈知識の不足を補うMPIKGCを提案し,大規模言語モデル(LLM)をクエリすることでKGCを改善する。
我々は4つの記述に基づくKGCモデルと4つのデータセットに基づくフレームワークの広範囲な評価を行い、リンク予測とトリプルト分類のタスクについて検討した。
論文 参考訳(メタデータ) (2024-03-04T12:16:15Z) - EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph
Completion [54.12709176438264]
Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。
現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。
そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
論文 参考訳(メタデータ) (2024-02-15T02:27:23Z) - Contextual Dictionary Lookup for Knowledge Graph Completion [32.493168863565465]
知識グラフ補完(KGC)は、知識グラフの不完全性(KGs)を解決することを目的として、既知の三重項から欠落するリンクを予測する。
既存の埋め込みモデルは、それぞれの関係を一意なベクトルにマッピングし、異なる実体の下でそれらの特定の粒度のセマンティクスを見渡す。
本稿では,従来の埋め込みモデルを用いて,関係の微粒なセマンティクスをエンド・ツー・エンドで学習することのできる,文脈辞書検索を利用した新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-13T12:13:41Z) - Joint Language Semantic and Structure Embedding for Knowledge Graph
Completion [66.15933600765835]
本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。
本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。
各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
論文 参考訳(メタデータ) (2022-09-19T02:41:02Z) - Syntax Controlled Knowledge Graph-to-Text Generation with Order and
Semantic Consistency [10.7334441041015]
知識グラフ・トゥ・テキスト(KG-to-text)生成は、知識グラフから分かりやすい文章を生成することを目的としている。
本稿では,キャプションから抽出した注文監督の下での知識記述順序予測を最適化する。
我々は、KGの単語をコピーする位置を制限するために、POS構文タグを組み込んだ。
論文 参考訳(メタデータ) (2022-07-02T02:42:14Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳(メタデータ) (2020-01-08T01:19:08Z)
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。