論文の概要: An entity-guided text summarization framework with relational
heterogeneous graph neural network
- arxiv url: http://arxiv.org/abs/2302.03205v1
- Date: Tue, 7 Feb 2023 02:27:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 17:46:50.621759
- Title: An entity-guided text summarization framework with relational
heterogeneous graph neural network
- Title（参考訳）: リレーショナルヘテロジニアスグラフニューラルネットワークを用いたエンティティ誘導テキスト要約フレームワーク
- Authors: Jingqiang Chen
- Abstract要約: テキスト要約における2つの重要な課題は、テキスト以外の知識を利用することと、テキストにおける横断的関係を利用することである。
本稿では、GNNとKGを結合して要約を行うために、テキストで述べたエンティティを活用することにより、2つの問題に焦点をあてる。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two crucial issues for text summarization to generate faithful summaries are
to make use of knowledge beyond text and to make use of cross-sentence
relations in text. Intuitive ways for the two issues are Knowledge Graph (KG)
and Graph Neural Network (GNN) respectively. Entities are semantic units in
text and in KG. This paper focuses on both issues by leveraging entities
mentioned in text to connect GNN and KG for summarization. Firstly, entities
are leveraged to construct a sentence-entity graph with weighted multi-type
edges to model sentence relations, and a relational heterogeneous GNN for
summarization is proposed to calculate node encodings. Secondly, entities are
leveraged to link the graph to KG to collect knowledge. Thirdly, entities guide
a two-step summarization framework defining a multi-task selector to select
salient sentences and entities, and using an entity-focused abstractor to
compress the sentences. GNN is connected with KG by constructing
sentence-entity graphs where entity-entity edges are built based on KG,
initializing entity embeddings on KG, and training entity embeddings using
entity-entity edges. The relational heterogeneous GNN utilizes both edge
weights and edge types in GNN to calculate graphs with weighted multi-type
edges. Experiments show the proposed method outperforms extractive baselines
including the HGNN-based HGNNSum and abstractive baselines including the
entity-driven SENECA on CNN/DM, and outperforms most baselines on NYT50.
Experiments on sub-datasets show the density of sentence-entity edges greatly
influences the performance of the proposed method. The greater the density, the
better the performance. Ablations show effectiveness of the method.
- Abstract（参考訳）: テキスト要約が忠実な要約を生成する上で重要な2つの課題は、テキスト以外の知識を利用し、テキストにおけるクロス文関係を利用することである。
2つの問題の直感的な方法は、それぞれ知識グラフ(KG)とグラフニューラルネットワーク(GNN)である。
エンティティはテキストおよびKGにおける意味単位である。
本稿では,GNN と KG を結合して要約を行うことにより,両問題に焦点をあてる。
まず,重み付き多型エッジを持つ文親和性グラフを構築して文関係をモデル化し,ノードエンコーディングを計算するための関係ヘテロジニアスGNNを提案する。
第二に、エンティティは知識を集めるためにグラフをKGにリンクするために利用される。
第3に、エンティティは、多タスクセレクタを定義する2段階の要約フレームワークをガイドし、有能な文とエンティティを選択し、エンティティ中心の抽象体を使用して文を圧縮する。
GNNは、KGに基づいてエンティティエンテントエッジを構築する文エンテントグラフを構築し、KG上にエンティティ埋め込みを初期化し、エンティティエンテントエッジを使用したエンティティ埋め込みをトレーニングすることで、KGと接続する。
リレーショナルヘテロジニアスGNNは、GNNのエッジ重みとエッジ型の両方を用いて、重み付きマルチタイプのエッジを持つグラフを計算する。
実験により,提案手法はHGNNベースのHGNNSumやCNN/DM上でのエンティティ駆動SENECAを含む抽象ベースラインよりも優れ,NYT50上でのほとんどのベースラインより優れていた。
サブデータセットを用いた実験により,文エンテントエッジの密度が提案手法の性能に大きく影響を及ぼすことが示された。
密度が大きいほど、性能が良くなる。
アブレーションは、その方法の有効性を示す。
関連論文リスト
- 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) - Article Classification with Graph Neural Networks and Multigraphs [0.12499537119440243]
単純なグラフニューラルネットワーク(GNN)パイプラインを多グラフ表現で拡張することにより,記事分類の性能を向上させる手法を提案する。
完全に教師されたトランスダクティブノード分類実験は、Open Graph Benchmark OGBN-arXivデータセットとPubMed糖尿病データセットで実施されている。
その結果、マルチグラフはデフォルトグラフと比較して、様々なGNNモデルの性能を一貫して改善することを示した。
論文 参考訳（メタデータ） (2023-09-20T14:18:04Z) - Explainable Sparse Knowledge Graph Completion via High-order Graph
Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。
高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。
情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文 参考訳（メタデータ） (2022-07-14T10:16:56Z) - SubGraph Networks based Entity Alignment for Cross-lingual Knowledge
Graph [7.892065498202909]
サブグラフネットワーク(SGN)手法をGCNベースの言語間KGエンティティアライメント手法に導入する。
実験の結果,提案手法は最先端GCN法よりも優れていた。
論文 参考訳（メタデータ） (2022-05-07T05:13:15Z) - Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。
TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
論文 参考訳（メタデータ） (2022-01-14T09:04:46Z) - CoRGi: Content-Rich Graph Neural Networks with Attention [12.339385456449659]
隣人のコンテキストでノード内のリッチなデータを考慮したグラフニューラルネットワークであるCoRGiを提案する。
これは、各ノードの内容に対してパーソナライズされたアテンションメカニズムでCoRGiのメッセージパッシングを付与することで実現される。
我々は,CoRGiが既存の手法,特にグラフのスパース領域よりもエッジ値の予測に優れていることを示す。
論文 参考訳（メタデータ） (2021-10-10T17:54:30Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳（メタデータ） (2020-10-12T03:01:40Z) - Improving Coreference Resolution by Leveraging Entity-Centric Features
with Graph Neural Networks and Second-order Inference [12.115691569576345]
Coreferentの言及は通常、テキスト全体においてはるかに分散しており、エンティティレベルの機能を組み込むのが困難である。
本稿では,エンティティ中心の情報をキャプチャ可能なグラフニューラルネットワークに基づくコア参照分解法を提案する。
グローバル推論アルゴリズムは、クラスタの参照を一貫したグループに最適化する。
論文 参考訳（メタデータ） (2020-09-10T02:22:21Z) - Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。
グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文 参考訳（メタデータ） (2020-04-05T13:09:37Z)
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。