論文の概要: Matching Weak Informative Ontologies
- arxiv url: http://arxiv.org/abs/2312.00332v1
- Date: Fri, 1 Dec 2023 03:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 15:54:16.287837
- Title: Matching Weak Informative Ontologies
- Title（参考訳）: マッチング弱情報オントロジー
- Authors: Peng Wang
- Abstract要約: 本稿では,アライメントの発見に構造情報を活用することで,WIOをマッチングする実用的な手法を提案する。
WIOをマッチングするための新しい類似性伝搬モデルが設計されている。
このWIOのマッチング方法は、最先端のLilyマッチングシステムで実装されている。
- 参考スコア（独自算出の注目度）: 4.214064911004321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most existing ontology matching methods utilize the literal information to
discover alignments. However, some literal information in ontologies may be
opaque and some ontologies may not have sufficient literal information. In this
paper, these ontologies are named as weak informative ontologies (WIOs) and it
is challenging for existing methods to matching WIOs. On one hand, string-based
and linguistic-based matching methods cannot work well for WIOs. On the other
hand, some matching methods use external resources to improve their
performance, but collecting and processing external resources is still
time-consuming. To address this issue, this paper proposes a practical method
for matching WIOs by employing the ontology structure information to discover
alignments. First, the semantic subgraphs are extracted from the ontology graph
to capture the precise meanings of ontology elements. Then, a new similarity
propagation model is designed for matching WIOs. Meanwhile, in order to avoid
meaningless propagation, the similarity propagation is constrained by semantic
subgraphs and other conditions. Consequently, the similarity propagation model
ensures a balance between efficiency and quality during matching. Finally, the
similarity propagation model uses a few credible alignments as seeds to find
more alignments, and some useful strategies are adopted to improve the
performance. This matching method for WIOs has been implemented in the ontology
matching system Lily. Experimental results on public OAEI benchmark datasets
demonstrate that Lily significantly outperforms most of the state-of-the-art
works in both WIO matching tasks and general ontology matching tasks. In
particular, Lily increases the recall by a large margin, while it still obtains
high precision of matching results.
- Abstract（参考訳）: 既存のオントロジーマッチング手法の多くは、リテラル情報を用いてアライメントを発見する。
しかし、オントロジーのリテラル情報は不透明であり、オントロジーの中には十分なリテラル情報を持たないものもある。
本稿では,これらのオントロジーを弱情報オントロジー (WIO) とみなし,既存の手法でWIOをマッチングすることは困難である。
一方、文字列ベースおよび言語ベースのマッチング手法は、WIOではうまく動作しない。
一方で、パフォーマンスを改善するために外部リソースを使用する方法もありますが、外部リソースの収集や処理には依然として時間がかかります。
そこで本稿では, オントロジ構造情報を用いてアライメントを見つけることで, wiosをマッチングする実用的な手法を提案する。
まず、意味部分グラフをオントロジーグラフから抽出し、オントロジー要素の正確な意味を捉える。
そして、wiosをマッチングするための新しい類似性伝播モデルを設計する。
一方、意味のない伝播を避けるために、類似性伝播は意味的な部分グラフやその他の条件によって制限される。
その結果、類似性伝播モデルにより、マッチング時の効率と品質のバランスが保証される。
最後に、類似性伝播モデルでは、いくつかの信頼性のあるアライメントを種として使用して、さらなるアライメントを見つけ、パフォーマンスを向上させるためにいくつかの有用な戦略が採用されている。
このWIOのマッチング方法はオントロジーマッチングシステムであるLilyで実装されている。
公開oaeiベンチマークデータセットにおける実験の結果は、lilyがwioマッチングタスクと一般的なオントロジーマッチングタスクの両方において、最先端の作業の大部分を著しく上回っていることを示している。
特に、Lilyはリコールを大きなマージンで増加させる一方、マッチング結果の精度は高い。
関連論文リスト
- SEG:Seeds-Enhanced Iterative Refinement Graph Neural Network for Entity Alignment [13.487673375206276]
本稿では,マルチソースデータと反復的シード拡張を融合したソフトラベル伝搬フレームワークを提案する。
正試料間距離と負試料の差分処理を行う双方向重み付き共同損失関数を実装した。
提案手法は,既存の半教師付きアプローチよりも優れており,複数のデータセットにおいて優れた結果が得られた。
論文 参考訳（メタデータ） (2024-10-28T04:50:46Z) - PairDistill: Pairwise Relevance Distillation for Dense Retrieval [35.067998820937284]
本稿ではペアワイズレバレンス蒸留(Pairwise Relevance Distillation, PairDistill)を導入する。
類似した文書間の微妙な区別を提供し、密集した検索モデルの訓練を強化する。
実験の結果、PairDistillは既存の手法よりも優れており、複数のベンチマークで最新の結果が得られることがわかった。
論文 参考訳（メタデータ） (2024-10-02T09:51:42Z) - Retrieval with Learned Similarities [2.729516456192901]
最先端の検索アルゴリズムは、学習された類似点に移行した。
そこで本研究では,Mixture-of-Logits (MoL) を実証的に実現し,多様な検索シナリオにおいて優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2024-07-22T08:19:34Z) - Fusion Makes Perfection: An Efficient Multi-Grained Matching Approach for Zero-Shot Relation Extraction [9.657656957845987]
そこで本研究では,仮想エンティティマッチングを用いて手作業によるアノテーションのコストを削減する手法を提案する。
実験結果から,本手法は従来の最先端技術(SOTA)法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-06-17T11:31:48Z) - Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。
本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-06-04T14:19:50Z) - Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。
関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。
本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
論文 参考訳（メタデータ） (2023-10-13T07:40:12Z) - Revisiting text decomposition methods for NLI-based factuality scoring
of summaries [9.044665059626958]
細粒度分解が必ずしも事実性スコアの勝利戦略であるとは限らないことを示す。
また,従来提案されていたエンテーメントに基づくスコアリング手法の小さな変更により,性能が向上することを示した。
論文 参考訳（メタデータ） (2022-11-30T09:54:37Z) - DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
本稿では,既存のDocREモデルの根本原因について検討する。
本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。
4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2022-10-28T11:18:10Z) - ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。
これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。
種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
論文 参考訳（メタデータ） (2022-09-25T13:05:33Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-07-01T09:26:13Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z)
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。