論文の概要: Expanding Knowledge Graphs with Humans in the Loop

• arxiv url: http://arxiv.org/abs/2212.05189v2
• Date: Sun, 26 Mar 2023 19:51:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 01:23:21.799185
• Title: Expanding Knowledge Graphs with Humans in the Loop
• Title（参考訳）: ループ内の人間による知識グラフの拡張
• Authors: Emaad Manzoor, Jordan Tong, Sriniketh Vijayaraghavan, Rui Li
• Abstract要約: ドメインに新しい概念が現れると、知識グラフは機械学習のパフォーマンスを維持するために拡張されなければならない。 本稿では,人間のループを用いた知識グラフ拡張手法を提案する。 我々は,我々の手法が正確かつ確実な「人間フレンドリー」であることを示した。
• 参考スコア（独自算出の注目度）: 3.9667921713853884
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Curated knowledge graphs encode domain expertise and improve the performance of recommendation, segmentation, ad targeting, and other machine learning systems in several domains. As new concepts emerge in a domain, knowledge graphs must be expanded to preserve machine learning performance. Manually expanding knowledge graphs, however, is infeasible at scale. In this work, we propose a method for knowledge graph expansion with humans-in-the-loop. Concretely, given a knowledge graph, our method predicts the "parents" of new concepts to be added to this graph for further verification by human experts. We show that our method is both accurate and provably "human-friendly". Specifically, we prove that our method predicts parents that are "near" concepts' true parents in the knowledge graph, even when the predictions are incorrect. We then show, with a controlled experiment, that satisfying this property increases both the speed and the accuracy of the human-algorithm collaboration. We further evaluate our method on a knowledge graph from Pinterest and show that it outperforms competing methods on both accuracy and human-friendliness. Upon deployment in production at Pinterest, our method reduced the time needed for knowledge graph expansion by ~400% (compared to manual expansion), and contributed to a subsequent increase in ad revenue of 20%.
• Abstract（参考訳）: キュレートされた知識グラフはドメインの専門知識を符号化し、いくつかのドメインにおけるレコメンデーション、セグメンテーション、広告ターゲティング、その他の機械学習システムのパフォーマンスを改善する。 ドメインに新しい概念が現れると、機械学習のパフォーマンスを維持するために知識グラフを拡張する必要がある。 しかし、手動で知識グラフを拡大することは、スケールでは不可能である。 本研究では,人間のループを用いた知識グラフ拡張手法を提案する。 具体的には、知識グラフが与えられた場合、このグラフに新たな概念の「親」を予測し、人間の専門家によるさらなる検証を行う。 本手法は正確であり,「人間フレンドリー」であることを示す。 具体的には, 予測が誤りであっても, 知識グラフ上で「近い」概念の真の親である親を予測できることを実証する。 次に、制御された実験により、この特性を満たすことにより、人間とアルゴリズムの協調のスピードと精度が向上することを示す。 さらに,pinterestのナレッジグラフ上での手法を評価し,精度と人間フレンドリー性の両方において競合する手法よりも優れていることを示す。 Pinterestで本番環境に展開すると、知識グラフの拡張に必要な時間を(手作業による拡張と比較して)約400%削減し、その後の広告収入の20%向上に寄与しました。

関連論文リスト

• Improving rule mining via embedding-based link prediction [2.422410293747519]
  知識グラフのルールマイニングは、説明可能なリンク予測を可能にする。 この2つの家系を組み合わせたいくつかのアプローチが近年提案されている。 2つのアプローチを結合する新しい方法を提案する。
  論文  参考訳（メタデータ） (2024-06-14T15:53:30Z)
• Intrinsically motivated graph exploration using network theories of human curiosity [71.2717061477241]
  本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。 提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
  論文  参考訳（メタデータ） (2023-07-11T01:52:08Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning [15.703028753526022]
  我々は、知識グラフの埋め込みにおけるデータ駆動力と、専門家や包摂体制から生じるドメイン固有の推論(OWL2)とを緩やかに結合することを提案する。 最初の結果から,バニラ知識グラフ埋め込みのMRR精度を最大3倍に向上し,知識グラフ埋め込みとルールマイニング,最大3.5倍MRRの推論を組み合わせたハイブリッドソリューションより優れていた。
  論文  参考訳（メタデータ） (2022-02-07T14:01:49Z)
• Bootstrapping Informative Graph Augmentation via A Meta Learning Approach [21.814940639910358]
  グラフコントラスト学習では、ベンチマーク手法は様々なグラフ拡張アプローチを適用する。 拡張法のほとんどは学習不可能であり、不便な拡張グラフを生成する問題を引き起こす。 私たちはMEGA(Meta Graph Augmentation)と呼ばれる学習可能なグラフオーグメンタによるグラフ生成を動機付けている。
  論文  参考訳（メタデータ） (2022-01-11T07:15:13Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• Graphing else matters: exploiting aspect opinions and ratings in explainable graph-based recommendations [66.83527496838937]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。 提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
  論文  参考訳（メタデータ） (2021-07-07T13:57:28Z)
• Saliency Prediction with External Knowledge [27.75589849982756]
  外部知識から学習した意味関係を符号化するグラフを構築するグラフセマンティック・サリエンシ・ネットワーク(GraSSNet)を開発した。 次にSpatial Graph Attention Networkが開発され、学習したグラフに基づいてSalliency機能を更新する。 実験により,提案モデルが外部知識から正当性を予測することを学習し,正当性ベンチマークを4つのベンチマークで比較した。
  論文  参考訳（メタデータ） (2020-07-27T20:12:28Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• A Survey on Knowledge Graphs: Representation, Acquisition and Applications [89.78089494738002]
  我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。 知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。 メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
  論文  参考訳（メタデータ） (2020-02-02T13:17:31Z)

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。