論文の概要: Exploring Graph Based Approaches for Author Name Disambiguation
- arxiv url: http://arxiv.org/abs/2312.08388v1
- Date: Tue, 12 Dec 2023 12:13:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 03:08:08.510429
- Title: Exploring Graph Based Approaches for Author Name Disambiguation
- Title(参考訳): 著者名曖昧化のためのグラフベースのアプローチの探索
- Authors: Chetanya Rastogi, Prabhat Agarwal, Shreya Singh
- Abstract要約: 科学文献管理、研究者検索、ソーシャルネットワーク分析、名前曖昧化(WhosWhoの曖昧化)など、多くの応用が課題となっている。
そこで本研究では,問題に固有のネットワーク構造を用いて,名前の曖昧さを解消する作業を行うことのできるモデルを探索し,モデルの解析を行う。
- 参考スコア(独自算出の注目度): 1.3121410433987561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many applications, such as scientific literature management, researcher
search, social network analysis and etc, Name Disambiguation (aiming at
disambiguating WhoIsWho) has been a challenging problem. In addition, the
growth of scientific literature makes the problem more difficult and urgent.
Although name disambiguation has been extensively studied in academia and
industry, the problem has not been solved well due to the clutter of data and
the complexity of the same name scenario. In this work, we aim to explore
models that can perform the task of name disambiguation using the network
structure that is intrinsic to the problem and present an analysis of the
models.
- Abstract(参考訳): 科学文献管理、研究者の検索、ソーシャルネットワーク分析など、多くの応用において、名前の曖昧さ(whoiswhoを曖昧さから解放する)は難しい問題となっている。
さらに、科学文献の成長により、この問題はより困難で緊急に解決される。
名前の曖昧さは学術や産業で広く研究されてきたが、データの散らばりと同一の名前シナリオの複雑さのために解決されていない。
そこで本研究では,問題に固有のネットワーク構造を用いて,名前の曖昧さを解消する作業を行うことのできるモデルを探索し,モデルの解析を行う。
関連論文リスト
- Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳(メタデータ) (2023-10-23T05:52:09Z) - Named Entity Resolution in Personal Knowledge Graphs [8.185725740857594]
本章では、個人知識グラフ(PKG)の文脈における名前付きERの具体的問題について論じる。
まず、問題の形式的定義と、高品質で効率的なERに必要なコンポーネントから始める。
次に、既存の技術がPKGにどのように適用できるかに焦点をあてて、簡単な文献レビューを行う。
論文 参考訳(メタデータ) (2023-07-22T21:39:35Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳(メタデータ) (2023-02-16T16:45:36Z) - Author Name Disambiguation via Heterogeneous Network Embedding from
Structural and Semantic Perspectives [13.266320447769564]
名前の曖昧さは、複数の著者が同じ名前を持つなど、学術的なデジタル図書館で一般的である。
提案手法は主に異種ネットワークとクラスタリングのための表現学習に基づいている。
意味表現はNLPツールを使用して生成される。
論文 参考訳(メタデータ) (2022-12-24T11:22:34Z) - Why are NLP Models Fumbling at Elementary Math? A Survey of Deep
Learning based Word Problem Solvers [7.299537282917047]
単語問題を解くために開発された様々なモデルについて批判的に検討する。
学術的な関心が豊富にあるにもかかわらず、主に使われている実験とデータセットの設計がいまだに停滞している理由を、一歩後退して分析する。
論文 参考訳(メタデータ) (2022-05-31T10:51:25Z) - Formal Mathematics Statement Curriculum Learning [64.45821687940946]
同じ計算予算、専門家の反復、つまり、学習にインターリーブされた証明検索が、証明検索のみを劇的に上回っていることを示す。
また, 難易度が十分に異なる形式文の集合に適用した場合, 専門家の反復により, ますます困難な問題に対するカリキュラムの発見と解決が可能であることも観察した。
論文 参考訳(メタデータ) (2022-02-03T00:17:00Z) - Fitness Landscape Footprint: A Framework to Compare Neural Architecture
Search Problems [12.901952926144258]
我々は、フィットネスランドスケープ分析を用いて、ニューラルアーキテクチャー探索問題を研究する。
本稿では,古典画像分類ベンチマークCIFAR-10とリモートセンシング問題So2Sat LCZ42の2つの問題について検討する。
論文 参考訳(メタデータ) (2021-11-02T13:20:01Z) - Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。
人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
論文 参考訳(メタデータ) (2021-04-17T21:34:10Z) - Pairwise Learning for Name Disambiguation in Large-Scale Heterogeneous
Academic Networks [81.00481125272098]
本稿では,MA-PairRNN(Multi-view Attention-based Pairwise Recurrent Neural Network)を提案する。
MA-PairRNNは、不均一グラフ埋め込み学習とペアワイズ類似学習をフレームワークに統合する。
実世界の2つのデータセットの結果から、我々のフレームワークは名前の曖昧さに対するパフォーマンスを著しく一貫した改善をしていることがわかる。
論文 参考訳(メタデータ) (2020-08-30T06:08:20Z) - On the Social and Technical Challenges of Web Search Autosuggestion
Moderation [118.47867428272878]
自動提案は通常、検索ログと文書表現のコーパスに基づいてトレーニングされた機械学習(ML)システムによって生成される。
現在の検索エンジンは、このような問題のある提案を抑えるのに、ますます熟練している。
問題のある提案のいくつかの側面、パイプラインに沿った困難な問題、そしてWeb検索を超えたアプリケーションの増加になぜ私たちの議論が適用されるのかについて論じる。
論文 参考訳(メタデータ) (2020-07-09T19:22:00Z) - Axiom Pinpointing [0.0]
公理ピンポイント(英: Axiom pinpointing)とは、オントロジーにおいて、従う結果の原因となる特定の公理を見つけるタスクを指す。
本稿では,公理ピンポインティングの概要を概説し,基本的な概念,それを解決するための異なるアプローチ,そして文献で検討されているいくつかのバリエーションと応用について述べる。
論文 参考訳(メタデータ) (2020-03-18T15:55:54Z)
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。