論文の概要: Generations of Knowledge Graphs: The Crazy Ideas and the Business Impact
- arxiv url: http://arxiv.org/abs/2308.14217v1
- Date: Sun, 27 Aug 2023 22:35:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 16:03:32.573130
- Title: Generations of Knowledge Graphs: The Crazy Ideas and the Business Impact
- Title（参考訳）: 知識グラフの世代:クレイジーなアイデアとビジネスへの影響
- Authors: Xin Luna Dong
- Abstract要約: 本稿では、エンティティベースのKG、テキストリッチなKG、デュアルニューラルなKGの3世代にわたる知識グラフについて述べる。
私たちはKGを例として、イノベーションからプロダクションプラクティスへ、そして次のレベルのイノベーションへと研究のアイデアを進化させるレシピを実証しています。
- 参考スコア（独自算出の注目度）: 19.774378927811725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graphs (KGs) have been used to support a wide range of
applications, from web search to personal assistant. In this paper, we describe
three generations of knowledge graphs: entity-based KGs, which have been
supporting general search and question answering (e.g., at Google and Bing);
text-rich KGs, which have been supporting search and recommendations for
products, bio-informatics, etc. (e.g., at Amazon and Alibaba); and the emerging
integration of KGs and LLMs, which we call dual neural KGs. We describe the
characteristics of each generation of KGs, the crazy ideas behind the scenes in
constructing such KGs, and the techniques developed over time to enable
industry impact. In addition, we use KGs as examples to demonstrate a recipe to
evolve research ideas from innovations to production practice, and then to the
next level of innovations, to advance both science and business.
- Abstract（参考訳）: 知識グラフ(KG)は、Web検索からパーソナルアシスタントまで、幅広いアプリケーションをサポートするために使われてきた。
本稿では3世代にわたる知識グラフについて述べる: 一般検索と質問応答をサポートするエンティティベースkgs(例えばgoogleとbing)、製品やバイオインフォマティクスなどの検索と推奨をサポートするテキストリッチkgs(例えばamazonやalibaba)、そして私たちがデュアルニューラルkgと呼んでいるkgsとllmsの統合である。
我々は,各世代のKGの特性,そのようなKGの構築の背景にあるクレイジーなアイデア,そして業界への影響を生かした技術について述べる。
さらに、kgsを例として、イノベーションからプロダクションプラクティス、そして次のレベルのイノベーションへと研究のアイデアを進化させ、科学とビジネスの両方を前進させるためのレシピを示します。
関連論文リスト
- Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。
我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。
様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-10-24T04:01:40Z) - Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。
GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
論文 参考訳（メタデータ） (2024-04-23T04:47:22Z) - Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey [61.8716670402084]
本調査は,KG-driven Multi-Modal Learning(KG4MM)とMulti-Modal Knowledge Graph(MM4KG)の2つの主要な側面におけるKG認識研究に焦点を当てる。
KG対応マルチモーダル学習タスクと本質的MMKGタスクの2つの主要なタスクカテゴリについて検討した。
これらのタスクの多くに対して、定義、評価ベンチマークを提供し、関連する研究を行うための重要な洞察を概説する。
論文 参考訳（メタデータ） (2024-02-08T04:04:36Z) - Knowledge Graphs are not Created Equal: Exploring the Properties and
Structure of Real KGs [2.28438857884398]
多様な領域から得られた29個の実知識グラフデータセットを解析し,その特性と構造パターンを解析する。
我々は、KGsに含まれる豊富な構造情報は、フィールド全体にわたるより良いKGモデルの開発に役立つと考えている。
論文 参考訳（メタデータ） (2023-11-10T22:18:09Z) - LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT [0.2107969466194361]
ChatGPTは知識グラフの開発と管理を支援する。
知識グラフエンジニアリング(KGE)は、グラフ構造、Web技術、既存のモデルと語彙、ルールセット、ロジック、ベストプラクティスの詳細な経験を必要とする。
論文 参考訳（メタデータ） (2023-07-13T17:31:41Z) - Knowledge Graphs in Practice: Characterizing their Users, Challenges, and Visualization Opportunities [5.091409162938817]
本研究は,19人の知識グラフ(KG)実践者へのインタビューから得られた知見を提示する。
我々は、KGの作成、探索、分析において、KG実践者が経験した重要な課題を特定する。
論文 参考訳（メタデータ） (2023-04-03T19:28:43Z) - Construction and Applications of Billion-Scale Pre-Trained Multimodal
Business Knowledge Graph [64.42060648398743]
我々は、よく知られた企業であるAlibaba Groupから派生したオープンビジネス知識グラフ(OpenBG)を構築するプロセスを紹介する。
OpenBGは前例のない規模のオープンビジネスのKGで、260億の3倍体で、100万以上のコアクラス/コンセプトと2,681種類の関係をカバーしている。
論文 参考訳（メタデータ） (2022-09-30T04:03:26Z) - Identify, Align, and Integrate: Matching Knowledge Graphs to Commonsense
Reasoning Tasks [81.03233931066009]
与えられたタスクの目的に整合した知識グラフ(KG)を選択することは重要である。
候補者KGがタスクの推論のギャップを正しく識別し、正確に埋めることができるかを評価するアプローチを示す。
このkg-to-taskマッチングを,知識-タスク識別,知識-タスクアライメント,知識-タスク統合という3つのフェーズで示す。
論文 参考訳（メタデータ） (2021-04-20T18:23:45Z) - Language Models are Open Knowledge Graphs [75.48081086368606]
近年の深層言語モデルは,事前学習を通じて大規模コーパスから知識を自動取得する。
本稿では,言語モデルに含まれる知識をKGにキャストするための教師なし手法を提案する。
KGは、コーパス上の(微調整なしで)事前訓練された言語モデルの1つの前方パスで構築されていることを示す。
論文 参考訳（メタデータ） (2020-10-22T18:01:56Z) - KGTK: A Toolkit for Large Knowledge Graph Manipulation and Analysis [9.141014703209494]
KGTKは、KGを表現、生成、変換、拡張、分析するために設計されたデータサイエンス中心のツールキットである。
我々はKGTKを使ってWikidataやDBpedia、ConceptNetといった大規模なKGを統合・操作する現実世界のシナリオでこのフレームワークを説明します。
論文 参考訳（メタデータ） (2020-05-29T21:29:14Z) - Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。
ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。
この記事では、AIのためのKGの旅を要約する。
論文 参考訳（メタデータ） (2020-03-07T18:09:18Z)
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。