論文の概要: Integrating the Wikidata Taxonomy into YAGO

• arxiv url: http://arxiv.org/abs/2308.11884v1
• Date: Wed, 23 Aug 2023 03:03:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 15:57:01.931841
• Title: Integrating the Wikidata Taxonomy into YAGO
• Title（参考訳）: ウィキデータ分類をYAGOに統合する
• Authors: Fabian Suchanek, Mehwish Alam, Thomas Bonald, Pierre-Henri Paris, Jules Soria
• Abstract要約: Wikidata の分類体系全体を YAGO KB にマージする取り組みについて述べる。 我々の研究はYAGO 4.5を作成し、YAGOに豊富な情報クラスを追加します。
• 参考スコア（独自算出の注目度）: 2.18991890332593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wikidata is one of the largest public general-purpose Knowledge Bases (KBs). Yet, due to its collaborative nature, its schema and taxonomy have become convoluted. For the YAGO 4 KB, we combined Wikidata with the ontology from Schema.org, which reduced and cleaned up the taxonomy and constraints and made it possible to run automated reasoners on the data. However, it also cut away large parts of the Wikidata taxonomy. In this paper, we present our effort to merge the entire Wikidata taxonomy into the YAGO KB as much as possible. We pay particular attention to logical constraints and a careful distinction of classes and instances. Our work creates YAGO 4.5, which adds a rich layer of informative classes to YAGO, while at the same time keeping the KB logically consistent.
• Abstract（参考訳）: Wikidataは、公共の汎用知識ベース(KB)の1つである。 しかし、その協力的な性質から、そのスキーマと分類学は複雑化していった。 YAGO 4 KB では、Wikidata と Schema.org のオントロジーを組み合わせることで、分類学と制約の削減とクリーン化が可能になり、データ上で自動推論を実行できるようになりました。 しかし、ウィキデータ分類の大部分を削減した。 本稿では,ウィキデータの全分類を可能な限りYAGO KBにマージする取り組みについて述べる。 論理的な制約や、クラスやインスタンスの慎重な区別に特に注意を払う。 我々の研究はYAGO 4.5を作成し、これは豊富な情報クラス層をYAGOに追加すると同時にKBを論理的に一貫性を保つ。

関連論文リスト

• Refining Wikidata Taxonomy using Large Language Models [2.392329079182226]
  我々は,Large Language Models (LLM) とグラフマイニング技術を組み合わせたWikidata分類の新バージョンであるWiKCを提案する。 リンクを切断したり、クラスをマージしたりといった分類の操作は、オープンソースのLCM上でゼロショットプロンプトの助けを借りて行われる。
  論文  参考訳（メタデータ） (2024-09-06T06:53:45Z)
• Creating a Fine Grained Entity Type Taxonomy Using LLMs [0.0]
  本研究は, GPT-4とその先進的な反復である GPT-4 Turbo が, 詳細な実体型分類学を自律的に開発する可能性について検討する。 我々の目的は、広く分類されたエンティティタイプから始まる包括的な分類体系を構築することである。 この分類は、GPT-4の内部知識ベースを利用して反復的なプロンプト技術によって徐々に洗練される。
  論文  参考訳（メタデータ） (2024-02-19T21:32:19Z)
• 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)
• Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [76.00737707718795]
  本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。 我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。 本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
  論文  参考訳（メタデータ） (2022-02-27T17:38:53Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• SYGMA: System for Generalizable Modular Question Answering OverKnowledge Bases [57.89642289610301]
  SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。 本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
  論文  参考訳（メタデータ） (2021-09-28T01:57:56Z)
• Assessing the quality of sources in Wikidata across languages: a hybrid approach [64.05097584373979]
  いくつかの言語でラベルを持つWikidataのトリプルからサンプルした参照コーパスの大規模なコーパスを評価するために,一連のマイクロタスク実験を実施している。 クラウドソースアセスメントの統合されたバージョンを使用して、いくつかの機械学習モデルをトレーニングして、Wikidata全体の分析をスケールアップしています。 この結果はWikidataにおける参照の質の確認に役立ち、ユーザ生成多言語構造化データの品質をWeb上で定義し、取得する際の共通の課題を特定するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-20T10:06:46Z)
• CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring [37.1330815281983]
  本稿では,概念名によって記述された種子分類を入力としてコーパスと種分類を取り入れた種誘導型地域分類構築法を提案する。 関係伝達モジュールは、複数の経路に沿ってユーザの興味ある関係を学習し、転送し、種分類構造を幅と深さで拡張する。 概念学習モジュールは、分類学を共同で埋め込むことで、各概念ノードのセマンティクスを豊かにする。
  論文  参考訳（メタデータ） (2020-10-13T22:00:31Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)
• TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network [62.12557274257303]
  分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。 そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。 本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
  論文  参考訳（メタデータ） (2020-01-26T21:30:21Z)

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。