論文の概要: Automatic Semantic Modeling for Structural Data Source with the Prior Knowledge from Knowledge Base

• arxiv url: http://arxiv.org/abs/2212.10915v1
• Date: Wed, 21 Dec 2022 10:54:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 14:55:02.797709
• Title: Automatic Semantic Modeling for Structural Data Source with the Prior Knowledge from Knowledge Base
• Title（参考訳）: 知識ベースからの事前知識を用いた構造データソースの自動意味モデリング
• Authors: Jiakang Xu, Wolfgang Mayer, HongYu Zhang, Keqing He, Zaiwen Feng
• Abstract要約: 本稿では、機械学習、グラフマッチング、修正された頻繁なサブグラフマイニングを用いて、構造化データソースを意味的に注釈付けする新しい手法を提案する。 提案手法は,少数のモデルしか知られていない難解な場合において,最先端の2つのソリューションより優れている。
• 参考スコア（独自算出の注目度）: 15.075047172918547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A critical step in sharing semantic content online is to map the structural data source to a public domain ontology. This problem is denoted as the Relational-To-Ontology Mapping Problem (Rel2Onto). A huge effort and expertise are required for manually modeling the semantics of data. Therefore, an automatic approach for learning the semantics of a data source is desirable. Most of the existing work studies the semantic annotation of source attributes. However, although critical, the research for automatically inferring the relationships between attributes is very limited. In this paper, we propose a novel method for semantically annotating structured data sources using machine learning, graph matching and modified frequent subgraph mining to amend the candidate model. In our work, Knowledge graph is used as prior knowledge. Our evaluation shows that our approach outperforms two state-of-the-art solutions in tricky cases where only a few semantic models are known.
• Abstract（参考訳）: セマンティックコンテンツをオンラインで共有するための重要なステップは、構造データソースをパブリックドメインオントロジーにマップすることだ。 この問題はリレーショナル・ト・オントロジーマッピング問題(Rel2Onto)と呼ばれる。 データのセマンティクスを手作業でモデル化するには、膨大な努力と専門知識が必要です。 したがって、データソースの意味を学習するための自動アプローチが望ましい。 既存の作業の多くは、ソース属性のセマンティックアノテーションを研究している。 しかし、重要なことではあるが、属性間の関係を自動的に推測する研究は非常に限られている。 本稿では,機械学習,グラフマッチング,修正頻繁なサブグラフマイニングを用いて構造化データソースを意味的にアノテートし,候補モデルを修正する新しい手法を提案する。 私たちの研究では、知識グラフが事前知識として使われています。 提案手法は,いくつかのセマンティックモデルしか知られていない難解な場合において,2つの最先端ソリューションよりも優れていることを示す。

関連論文リスト

• End-to-End Ontology Learning with Large Language Models [11.755755139228219]
  大規模言語モデル(LLM)は、オントロジー学習の様々なサブタスクを解決するために応用されている。 我々は、オントロジーの分類学的バックボーンをスクラッチから構築する汎用的でスケーラブルな方法であるOLLMによって、このギャップに対処する。 標準的なメトリクスとは対照的に、私たちのメトリクスは、グラフ間のより堅牢な構造的距離測定を定義するためにディープラーニング技術を使用します。 私たちのモデルは、arXivのような新しいドメインに効果的に適用できます。
  論文  参考訳（メタデータ） (2024-10-31T02:52:39Z)
• A topic-aware graph neural network model for knowledge base updating [0.6875312133832077]
  主な課題は、最新の知識ベースを維持することです。 現在の知識ベース更新方法は、エンティティを更新する必要があるかどうかを決定する。 ユーザクエリログに基づく知識更新のためのトピック対応グラフネットワークを構築した。
  論文  参考訳（メタデータ） (2022-08-31T02:35:23Z)
• MapRE: An Effective Semantic Mapping Approach for Low-resource Relation Extraction [11.821464352959454]
  低リソース関係抽出のためのラベル非依存とラベル対応のセマンティックマッピング情報の両方を考慮したフレームワークを提案する。 以上の2種類のマッピング情報を事前学習と微調整の両方に組み込むことで,モデル性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-09-09T09:02:23Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Low-Resource Domain Adaptation for Compositional Task-Oriented Semantic Parsing [85.35582118010608]
  タスク指向のセマンティックパーシングは仮想アシスタントの重要なコンポーネントである。 近年のディープラーニングの進歩は、より複雑なクエリを解析するいくつかのアプローチを可能にしている。 そこで本研究では,教師付きニューラルネットワークを10倍の精度で高速化する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T17:47:53Z)
• Extracting Semantic Concepts and Relations from Scientific Publications by Using Deep Learning [0.0]
  本研究の目的は,学術出版物から意味概念と関係を自動的に抽出する提案を行うことである。 本稿では,意味関係の新たなタイプを提案するとともに,意味関係抽出に深層学習(DL)モデルを用いる点を指摘する。
  論文  参考訳（メタデータ） (2020-09-01T10:19:18Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)
• Inferential Text Generation with Multiple Knowledge Sources and Meta-Learning [117.23425857240679]
  本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。 既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。 この研究では、モデルのための燃料として複数の知識ソースを使用します。
  論文  参考訳（メタデータ） (2020-04-07T01:49:18Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。