論文の概要: Method for Text Entity Linking in Power Distribution Scheduling Oriented to Power Distribution Network Knowledge Graph

• arxiv url: http://arxiv.org/abs/2311.08724v1
• Date: Wed, 15 Nov 2023 06:35:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 16:58:58.295353
• Title: Method for Text Entity Linking in Power Distribution Scheduling Oriented to Power Distribution Network Knowledge Graph
• Title（参考訳）: 配電ネットワーク知識グラフを指向した配電スケジューリングにおけるテキストエンティティリンクの方法
• Authors: Xiang Li, Che Wang, Bing Li, Hao Chen, Sizhe Li
• Abstract要約: 配電系統におけるエンティティを配電系統の知識グラフにリンクする手法は,これらのネットワークの深い理解に基づいて提案される。 拡張モデルであるLSF-SCNN(Lexical Semantic Feature-based Skip Convolutional Neural Network)を用いて、ディスパッチテキストエンティティと知識グラフのエンティティを効果的にマッチングする。 その結果, LSF-SCNNモデルでは, 様々なエンティティタイプを正確にリンクし, プロセスが英語で実行されると, エンティティリンクの全体的な精度が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 17.18463559355908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proposed method for linking entities in power distribution dispatch texts to a power distribution network knowledge graph is based on a deep understanding of these networks. This method leverages the unique features of entities in both the power distribution network's knowledge graph and the dispatch texts, focusing on their semantic, phonetic, and syntactic characteristics. An enhanced model, the Lexical Semantic Feature-based Skip Convolutional Neural Network (LSF-SCNN), is utilized for effectively matching dispatch text entities with those in the knowledge graph. The efficacy of this model, compared to a control model, is evaluated through cross-validation methods in real-world power distribution dispatch scenarios. The results indicate that the LSF-SCNN model excels in accurately linking a variety of entity types, demonstrating high overall accuracy in entity linking when the process is conducted in English.
• Abstract（参考訳）: 配電系統におけるエンティティを配電系統の知識グラフにリンクする手法は,これらのネットワークの深い理解に基づいて提案される。 本手法は,電力分配ネットワークの知識グラフとディスパッチテキストの両方において,その意味的,音声的,統語的特徴に着目したエンティティの特徴を利用する。 拡張モデルである語彙意味的特徴に基づくスキップ畳み込みニューラルネットワーク(lsf-scnn)を用いて、知識グラフ内のテキストエンティティを効果的にマッチングする。 本モデルの有効性を制御モデルと比較し,実世界の配電シナリオにおけるクロスバリデーション手法を用いて評価した。 その結果, LSF-SCNNモデルでは, 様々なエンティティタイプを正確にリンクし, プロセスが英語で実行されると, エンティティリンクの精度が高くなることがわかった。

関連論文リスト

• Graph Neural Network-Based Entity Extraction and Relationship Reasoning in Complex Knowledge Graphs [1.5998200006932823]
  本研究では,グラフニューラルネットワークに基づく知識グラフ実体抽出と関係推論アルゴリズムを提案する。 本稿では、エンドツーエンドのジョイントモデルを構築することにより、エンティティと関係の効率的な認識と推論を実現する。
  論文  参考訳（メタデータ） (2024-11-19T16:23:49Z)
• Leveraging Graph Neural Networks to Forecast Electricity Consumption [3.157383076370605]
  この研究は、従来の一般化付加モデルフレームワークを超えて、新しいアプローチを提供する。 本稿では,消費予測に適したグラフを推定する手法と,開発したモデルを評価するためのフレームワークを紹介する。 本研究は,フランス本土の地域を考慮した総合的および現実的な枠組みで,電気予測の実験を行う。
  論文  参考訳（メタデータ） (2024-08-30T15:54:50Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• CADGE: Context-Aware Dialogue Generation Enhanced with Graph-Structured Knowledge Aggregation [25.56539617837482]
  コンテキスト対応グラフアテンションモデル(Context-aware GAT)を提案する。 これは、コンテキスト強化された知識集約機構を通じて、関連する知識グラフからグローバルな特徴を同化する。 実験により,本フレームワークは従来のGNNベース言語モデルよりも性能が優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-10T16:31:35Z)
• Fair Node Representation Learning via Adaptive Data Augmentation [9.492903649862761]
  この研究は、グラフニューラルネットワーク(GNN)を用いて得られるノード表現のバイアス源を理論的に説明する。 この分析に基づいて、本質的なバイアスを低減するために、公正に意識したデータ拡張フレームワークを開発した。 分析と提案手法は,様々なGNN学習機構の公平性を高めるために容易に利用できる。
  論文  参考訳（メタデータ） (2022-01-21T05:49:15Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
  階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。 提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。 さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
  論文  参考訳（メタデータ） (2021-05-06T12:20:41Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。