論文の概要: GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark

• arxiv url: http://arxiv.org/abs/2305.06545v1
• Date: Thu, 11 May 2023 03:21:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 16:07:06.020726
• Title: GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark
• Title（参考訳）: geoglue:地理的言語理解評価ベンチマーク
• Authors: Dongyang Li, Ruixue Ding, Qiang Zhang, Zheng Li, Boli Chen, Pengjun Xie, Yao Xu, Xin Li, Ning Guo, Fei Huang and Xiaofeng He
• Abstract要約: 我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
• 参考スコア（独自算出の注目度）: 56.08664336835741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With a fast developing pace of geographic applications, automatable and intelligent models are essential to be designed to handle the large volume of information. However, few researchers focus on geographic natural language processing, and there has never been a benchmark to build a unified standard. In this work, we propose a GeoGraphic Language Understanding Evaluation benchmark, named GeoGLUE. We collect data from open-released geographic resources and introduce six natural language understanding tasks, including geographic textual similarity on recall, geographic textual similarity on rerank, geographic elements tagging, geographic composition analysis, geographic where what cut, and geographic entity alignment. We also pro vide evaluation experiments and analysis of general baselines, indicating the effectiveness and significance of the GeoGLUE benchmark.
• Abstract（参考訳）: 地理的アプリケーションの開発が急速に進んでいるため、自動化可能かつインテリジェントなモデルは大量の情報を扱うように設計されている。 しかし、地理的自然言語処理にフォーカスする研究者はほとんどおらず、統一標準を構築するためのベンチマークは存在していない。 本研究では,GeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 本研究は,オープンソースの地理資源から収集し,リコール時の地理的テクスト的類似性,リランクにおける地理的テクスト的類似性,地理的要素のタグ付け,地理的構成分析,何カットか,地理的エンティティアライメントなど6つの自然言語理解タスクを導入する。 また,一般ベースラインの評価実験と分析を行い,geoglueベンチマークの有効性と意義を示した。

関連論文リスト

• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• Geometric Feature Enhanced Knowledge Graph Embedding and Spatial Reasoning [8.561588656662419]
  Geospatial Knowledge Graphs (GeoKGs) は地理と空間関係を相互にモデル化する。 一般的な知識グラフ埋め込み(KGE)技術のような、GeoKGからの採掘と推論のための既存の手法は、認識を欠いている。 本研究の目的は,新しい戦略を開発し,空間関係の幾何学的特徴を統合することで汎用KGEを強化することである。
  論文  参考訳（メタデータ） (2024-10-24T00:53:48Z)
• GeoReasoner: Reasoning On Geospatially Grounded Context For Natural Language Understanding [0.32885740436059047]
  GeoReasonerは、地理的に接地された自然言語を推論できる言語モデルである。 まず、Large Language Modelsを利用して、言語推論と距離情報に基づく総合的な位置記述を生成する。 また、方向と距離の情報を擬似文として扱うことで空間埋め込みに符号化する。
  論文  参考訳（メタデータ） (2024-08-21T06:35:21Z)
• Geospatial Knowledge Graphs [3.0638648756719222]
  地理空間知識グラフは地理空間情報の表現と推論のための新しいパラダイムとして登場した。 このエントリではまず、知識グラフにおける重要な概念と、関連する標準化とツールを紹介します。 その後、地理・環境科学における知識グラフの応用に踏み切った。
  論文  参考訳（メタデータ） (2024-05-13T11:45:22Z)
• GeoLM: Empowering Language Models for Geospatially Grounded Language Understanding [45.36562604939258]
  本稿では,自然言語におけるジオテリティーの理解を深める言語モデルGeoLMを紹介する。 また、GeoLMは、トポノニム認識、トポノニムリンク、関係抽出、ジオエンタリティタイピングをサポートする有望な能力を示すことを示した。
  論文  参考訳（メタデータ） (2023-10-23T01:20:01Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)

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。