論文の概要: Implementation of a noisy hyperlink removal system: A semantic and relatedness approach

• arxiv url: http://arxiv.org/abs/2303.03321v1
• Date: Mon, 6 Mar 2023 17:48:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 15:11:26.359282
• Title: Implementation of a noisy hyperlink removal system: A semantic and relatedness approach
• Title（参考訳）: 雑音性ハイパーリンク除去システムの実装:意味論的および関連性的アプローチ
• Authors: Kazem Taghandiki, Elnaz Rezaei Ehsan
• Abstract要約: スパムデータは、情報検索とリンクマイニングアルゴリズムの速度と効率に悪影響を及ぼす。 これまでの研究は、構造的および文字列的アプローチによるノイズの多いハイパーリンクの除去に重点を置いてきた。 本実験では,ノイズの多いハイパーリンクを除去するセマンティックWeb技術の精度と能力を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the volume of data on the web grows, the web structure graph, which is a graph representation of the web, continues to evolve. The structure of this graph has gradually shifted from content-based to non-content-based. Furthermore, spam data, such as noisy hyperlinks, in the web structure graph adversely affect the speed and efficiency of information retrieval and link mining algorithms. Previous works in this area have focused on removing noisy hyperlinks using structural and string approaches. However, these approaches may incorrectly remove useful links or be unable to detect noisy hyperlinks in certain circumstances. In this paper, a data collection of hyperlinks is initially constructed using an interactive crawler. The semantic and relatedness structure of the hyperlinks is then studied through semantic web approaches and tools such as the DBpedia ontology. Finally, the removal process of noisy hyperlinks is carried out using a reasoner on the DBpedia ontology. Our experiments demonstrate the accuracy and ability of semantic web technologies to remove noisy hyperlinks
• Abstract（参考訳）: Web上のデータの量が増えるにつれて、Webのグラフ表現であるWeb構造グラフが進化し続けています。 このグラフの構造は徐々にコンテンツベースから非コンテンツベースへとシフトしている。 さらに、Web構造グラフにおけるノイズの多いハイパーリンクなどのスパムデータは、情報検索とリンクマイニングアルゴリズムの速度と効率に悪影響を及ぼす。 この領域ではこれまで、構造的および文字列的アプローチによるノイズの多いハイパーリンクの除去に重点を置いてきた。 しかし、これらのアプローチは誤って有用なリンクを取り除いたり、特定の状況下でノイズの多いハイパーリンクを検出できなかったりする可能性がある。 本稿では,まず対話型クローラを用いてハイパーリンクのデータ収集を行う。 ハイパーリンクの意味的および関連性構造は、DBpediaオントロジーのようなセマンティックウェブアプローチやツールを通して研究される。 最後に、DBpediaオントロジー上の推論器を用いてノイズの多いハイパーリンクの除去処理を行う。 我々の実験は、ノイズの多いハイパーリンクを除去するセマンティックウェブ技術の精度と能力を示す。

関連論文リスト

• NetDiff: Deep Graph Denoising Diffusion for Ad Hoc Network Topology Generation [1.6768151308423371]
  本稿では,無線アドホックネットワークリンクトポロジを生成する拡散確率的アーキテクチャを記述したグラフであるNetDiffを紹介する。 この結果から,生成したリンクは現実的であり,データセットグラフに類似した構造的特性を有しており,操作するには小さな修正と検証ステップのみが必要であることがわかった。
  論文  参考訳（メタデータ） (2024-10-09T15:39:49Z)
• Representing Web Applications As Knowledge Graphs [0.0]
  提案手法は、各ノードをアプリケーションの現在の状態の構造化された表現としてモデル化し、エッジはユーザ主導のアクションや遷移を反映する。 この構造化された表現は、Webアプリケーションのより包括的で機能的な理解を可能にし、自動テストや振る舞い分析といった下流タスクに貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-06T02:50:41Z)
• Hyperedge Interaction-aware Hypergraph Neural Network [11.359757898963284]
  HeIHNNはハイパーエッジインタラクションを意識したハイパーグラフニューラルネットワークである。 本稿では,ハイパーエッジとノード間の情報フローを向上させる新しいメカニズムを提案する。
  論文  参考訳（メタデータ） (2024-01-28T07:05:30Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Pre-training for Information Retrieval: Are Hyperlinks Fully Explored? [19.862211305690916]
  本稿では,事前学習におけるハイパーリンクの利用を検討するために,プログレッシブハイパーリンク予測(PHP)フレームワークを提案する。 2つの大規模アドホック検索データセットと6つの質問回答データセットの実験結果は、既存の事前学習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） (2022-09-14T12:03:31Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Predicting Links on Wikipedia with Anchor Text Information [0.571097144710995]
  英語ウィキペディアのいくつかのサブセットにおけるリンク予測の帰納的タスクと帰納的タスクについて検討する。 本稿では,適切な評価サンプリング手法を提案し,いくつかのアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-05-25T07:57:57Z)
• 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)

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。