論文の概要: Semantic Representation Learning of Scientific Literature based on
Adaptive Feature and Graph Neural Network
- arxiv url: http://arxiv.org/abs/2311.00296v1
- Date: Wed, 1 Nov 2023 05:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 14:44:06.950655
- Title: Semantic Representation Learning of Scientific Literature based on
Adaptive Feature and Graph Neural Network
- Title（参考訳）: 適応特徴量とグラフニューラルネットワークを用いた科学文献の意味表現学習
- Authors: Hongrui Gao, Yawen Li, Meiyu Liang, Zeli Guan, and Zhe Xue
- Abstract要約: 科学文献の特徴は、世界中で、そして地域的に見なされている。
グラフアテンション機構は、科学文献の特徴を引用関係で要約するために用いられる。
教師なしグラフニューラルネットワーク意味表現学習法を提案する。
- 参考スコア（独自算出の注目度）: 8.885582529344612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Because most of the scientific literature data is unmarked, it makes semantic
representation learning based on unsupervised graph become crucial. At the same
time, in order to enrich the features of scientific literature, a learning
method of semantic representation of scientific literature based on adaptive
features and graph neural network is proposed. By introducing the adaptive
feature method, the features of scientific literature are considered globally
and locally. The graph attention mechanism is used to sum the features of
scientific literature with citation relationship, and give each scientific
literature different feature weights, so as to better express the correlation
between the features of different scientific literature. In addition, an
unsupervised graph neural network semantic representation learning method is
proposed. By comparing the mutual information between the positive and negative
local semantic representation of scientific literature and the global graph
semantic representation in the potential space, the graph neural network can
capture the local and global information, thus improving the learning ability
of the semantic representation of scientific literature. The experimental
results show that the proposed learning method of semantic representation of
scientific literature based on adaptive feature and graph neural network is
competitive on the basis of scientific literature classification, and has
achieved good results.
- Abstract（参考訳）: 科学文献データの多くは無記名であるため、教師なしグラフに基づく意味表現学習が重要となる。
同時に,科学文献の特徴を豊かにするために,適応的特徴とグラフニューラルネットワークに基づく科学文献の意味表現の学習手法を提案する。
適応特徴法を導入することで,科学文献の特徴をグローバルかつ局所的に考えることができる。
グラフ注意機構は、科学文献の特徴を引用関係で要約し、各科学文献に異なる特徴重みを与え、異なる科学文献の特徴間の相関をよりよく表現するために用いられる。
さらに,教師なしグラフニューラルネットワーク意味表現学習手法を提案する。
グラフニューラルネットワークは、科学文献の正および負の局所意味表現とポテンシャル空間におけるグローバルグラフ意味表現との相互情報を比較することにより、局所およびグローバル情報をキャプチャし、科学文献の意味表現の学習能力を向上させることができる。
実験の結果,適応的特徴とグラフニューラルネットワークに基づく科学的文献の意味表現の学習手法が,科学的文献分類に基づいて競争力を発揮し,良好な結果を得た。
関連論文リスト
- Representation-Enhanced Neural Knowledge Integration with Application to Large-Scale Medical Ontology Learning [3.010503480024405]
本稿では,関係型の同時学習を実現するため,理論的に保証されたRENKIという統計フレームワークを提案する。
提案フレームワークは,表現学習出力をニューラルネットワークの初期エンティティ埋め込みに組み込んで,知識グラフのスコア関数を近似する。
ヘテロジニアス関係の存在下での重み付けの効果と、非パラメトリックモデルに表現学習を組み込むことの利点を実証する。
論文 参考訳（メタデータ） (2024-10-09T21:38:48Z) - Time to Cite: Modeling Citation Networks using the Dynamic Impact
Single-Event Embedding Model [0.33123773366516646]
引用ネットワークはシングルイベント動的ネットワークの顕著な例である。
このような単一イベントネットワークのキャラクタリゼーションのための新しい可能性関数を提案する。
Dynamic Impact Single-Event Embedding Model (DISEE)は、静的潜伏距離ネットワークの埋め込みアプローチを古典的な動的影響評価と照合する。
論文 参考訳（メタデータ） (2024-02-28T22:59:26Z) - Contrastive Hierarchical Discourse Graph for Scientific Document
Summarization [14.930704950433324]
CHANGESは、抽出科学論文要約のための対照的な階層型グラフニューラルネットワークである。
また,グローバルなテーマ認識文表現を学習するためのグラフコントラスト学習モジュールを提案する。
論文 参考訳（メタデータ） (2023-05-31T20:54:43Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - An Informational Space Based Semantic Analysis for Scientific Texts [62.997667081978825]
本稿では、意味分析のための計算手法と、短い科学的テキストの意味の定量化について紹介する。
科学的意味の表現は、心理的特性ではなく、状況表現を置き換えることで標準化される。
本研究は,テキストの意味の幾何学的表現の基礎となる研究である。
論文 参考訳（メタデータ） (2022-05-31T11:19:32Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Semantic Analysis for Automated Evaluation of the Potential Impact of
Research Articles [62.997667081978825]
本稿では,情報理論に基づくテキスト意味のベクトル表現のための新しい手法を提案する。
この情報意味論がLeicester Scientific Corpusに基づいてテキスト分類にどのように使用されるかを示す。
テキストの意味を表現するための情報的アプローチは,研究論文の科学的影響を効果的に予測する方法であることを示す。
論文 参考訳（メタデータ） (2021-04-26T20:37:13Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳（メタデータ） (2021-04-07T11:13:35Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳（メタデータ） (2020-04-25T04:53:54Z) - Tensor Graph Convolutional Networks for Text Classification [17.21683037822181]
グラフベースのニューラルネットワークは、グローバル情報をキャプチャする機能など、いくつかの優れた特性を示している。
本稿では,テキスト分類問題に対するグラフベースニューラルネットワークについて検討する。
論文 参考訳（メタデータ） (2020-01-12T14:28:33Z)
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。