論文の概要: Text2NKG: Fine-Grained N-ary Relation Extraction for N-ary relational
Knowledge Graph Construction
- arxiv url: http://arxiv.org/abs/2310.05185v2
- Date: Thu, 12 Oct 2023 18:26:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 16:57:54.272688
- Title: Text2NKG: Fine-Grained N-ary Relation Extraction for N-ary relational
Knowledge Graph Construction
- Title（参考訳）: Text2NKG:N-aryリレーショナル知識グラフ構築のための微細粒度N-aryリレーショナル抽出
- Authors: Haoran Luo, Haihong E, Yuhao Yang, Tianyu Yao, Yikai Guo, Zichen Tang,
Wentai Zhang, Kaiyang Wan, Shiyao Peng, Meina Song, Wei Lin
- Abstract要約: Text2NKGは,n-aryリレーショナル知識グラフ構築のための,新しいn-aryリレーショナル抽出フレームワークである。
我々は,異なるアリティにおける粒度n-ary関係抽出を実現するために,ヘテロオーダーマージを用いたスパンタプル分類手法を提案する。
- 参考スコア（独自算出の注目度）: 13.764877475602171
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Beyond traditional binary relational facts, n-ary relational knowledge graphs
(NKGs) are comprised of n-ary relational facts containing more than two
entities, which are closer to real-world facts with broader applications.
However, the construction of NKGs still significantly relies on manual labor,
and n-ary relation extraction still remains at a course-grained level, which is
always in a single schema and fixed arity of entities. To address these
restrictions, we propose Text2NKG, a novel fine-grained n-ary relation
extraction framework for n-ary relational knowledge graph construction. We
introduce a span-tuple classification approach with hetero-ordered merging to
accomplish fine-grained n-ary relation extraction in different arity.
Furthermore, Text2NKG supports four typical NKG schemas: hyper-relational
schema, event-based schema, role-based schema, and hypergraph-based schema,
with high flexibility and practicality. Experimental results demonstrate that
Text2NKG outperforms the previous state-of-the-art model by nearly 20\% points
in the $F_1$ scores on the fine-grained n-ary relation extraction benchmark in
the hyper-relational schema. Our code and datasets are publicly available.
- Abstract（参考訳）: n-ary relational knowledge graph (nkgs) は、従来のバイナリリレーショナルファクトを超えて、2つ以上のエンティティを含むn-aryリレーショナルファクトで構成される。
しかし、nkgの構築は依然として手作業に大きく依存しており、n-ary関係抽出は常に単一のスキーマと固定されたエンティティのアーリティー内にあるコースグレードレベルのままである。
このような制約に対処するため,我々は,n-aryリレーショナル知識グラフ構築のための新しい微細なn-ary関係抽出フレームワークであるText2NKGを提案する。
ヘテロオーダードマージを用いたスパンタプル分類手法を導入し,n-ary関係の細粒度抽出を行う。
さらに、Text2NKGは、ハイパーリレーショナルスキーマ、イベントベースのスキーマ、ロールベースのスキーマ、ハイパーグラフベースのスキーマの4つの典型的なNKGスキーマをサポートし、柔軟性と実用性が高い。
実験結果から,Text2NKGは,高関係スキーマのn-ary関係抽出ベンチマークにおいて,F_1$のスコアにおいて,従来の最先端モデルよりも20倍近い性能を示した。
コードとデータセットは公開されています。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - Language Models are Graph Learners [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。
本稿では,ノード分類タスクにおける最先端のGNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T08:27:54Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Unleashing the Potential of Text-attributed Graphs: Automatic Relation Decomposition via Large Language Models [31.443478448031886]
RoSE (Relation-oriented Semantic Edge-Decomposition) は、生のテキスト属性を分析してグラフ構造を分解する新しいフレームワークである。
我々のフレームワークは、さまざまなデータセットのノード分類性能を大幅に向上させ、ウィスコンシンデータセットでは最大16%の改善を実現した。
論文 参考訳（メタデータ） (2024-05-28T20:54:47Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - HIORE: Leveraging High-order Interactions for Unified Entity Relation
Extraction [85.80317530027212]
本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。
重要な洞察は、単語ペア間の複雑な関連を活用することである。
実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
論文 参考訳（メタデータ） (2023-05-07T14:57:42Z) - An entity-guided text summarization framework with relational
heterogeneous graph neural network [0.76146285961466]
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。
論文 参考訳（メタデータ） (2023-02-07T02:27:21Z) - TransHER: Translating Knowledge Graph Embedding with Hyper-Ellipsoidal
Restriction [14.636054717485207]
本稿では知識グラフ埋め込みのための新しいスコア関数TransHERを提案する。
我々のモデルでは、まずエンティティを2つの別々の超楕円体にマッピングし、その1つについて関係特異的な翻訳を行う。
実験結果から,TransHERは最先端のパフォーマンスを実現し,異なる領域やスケールのデータセットに一般化可能であることが示された。
論文 参考訳（メタデータ） (2022-04-27T22:49:27Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - 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) - Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。
KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。
理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
論文 参考訳（メタデータ） (2020-06-12T17:12:51Z)
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。