Fugu-MT 論文翻訳(概要): A Survey on Extractive Knowledge Graph Summarization: Applications, Approaches, Evaluation, and Future Directions

論文の概要: A Survey on Extractive Knowledge Graph Summarization: Applications, Approaches, Evaluation, and Future Directions

arxiv url: http://arxiv.org/abs/2402.12001v1
Date: Mon, 19 Feb 2024 09:49:53 GMT
ステータス: 処理完了
システム内更新日: 2024-02-20 17:17:04.048615
Title: A Survey on Extractive Knowledge Graph Summarization: Applications, Approaches, Evaluation, and Future Directions
Title（参考訳）: 抽出知識グラフ要約に関する調査研究 : 応用,アプローチ,評価,今後の方向性
Authors: Xiaxia Wang, Gong Cheng
Abstract要約: 抽出KG要約は、凝縮した情報でコンパクトな部分グラフを蒸留することを目的としている。本稿では,その応用を体系的に概説し,学際的な研究から既存の方法の分類を定めている。今後の方向性は、我々の広範囲かつ比較的なレビューに基づいて策定されます。
参考スコア（独自算出の注目度）: 9.668678976640022
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the continuous growth of large Knowledge Graphs (KGs), extractive KG summarization becomes a trending task. Aiming at distilling a compact subgraph with condensed information, it facilitates various downstream KG-based tasks. In this survey paper, we are among the first to provide a systematic overview of its applications and define a taxonomy for existing methods from its interdisciplinary studies. Future directions are also laid out based on our extensive and comparative review.
Abstract（参考訳）: 大規模知識グラフ(KG)の連続的な成長に伴い、抽出的KG要約はトレンドとなる。コンパクトなサブグラフを凝縮した情報で蒸留することを目的として、様々な下流KGベースのタスクを容易にする。本研究は,本研究の応用を体系的に概説し,既存手法の分類を学際研究から定義した最初の事例である。今後の方向性は、我々の広範囲かつ比較的なレビューに基づいて策定されます。

関連論文リスト

Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey [61.8716670402084]
本調査は,KG-driven Multi-Modal Learning(KG4MM)とMulti-Modal Knowledge Graph(MM4KG)の2つの主要な側面におけるKG認識研究に焦点を当てる。 KG対応マルチモーダル学習タスクと本質的MMKGタスクの2つの主要なタスクカテゴリについて検討した。これらのタスクの多くに対して、定義、評価ベンチマークを提供し、関連する研究を行うための重要な洞察を概説する。
論文参考訳（メタデータ） (2024-02-08T04:04:36Z)
A Survey on Graph Condensation [14.94630644865636]
グラフ凝縮(GC)は、グラフデータのエスカレーション量から生じる課題に対処するソリューションとして登場した。 GCをより深く理解し、他の関連するトピックと区別するために、GCの正式な定義を示し、分類を確立します。我々は、課題と限界に対処し、今後の方向性を概説し、この分野における今後の研究を促すための簡潔なガイドラインを提供することで、結論付けます。
論文参考訳（メタデータ） (2024-02-03T02:50:51Z)
Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。これらの手法間の関係を解析し,その強みと限界を比較する。
論文参考訳（メタデータ） (2024-02-02T14:32:42Z)
SKG: A Versatile Information Retrieval and Analysis Framework for Academic Papers with Semantic Knowledge Graphs [9.668240269886413]
本稿では,抽象概念やメタ情報から意味概念を統合してコーパスを表現するセマンティック知識グラフを提案する。 SKGは、高い多様性と豊富な情報コンテンツが格納されているため、学術文献における様々なセマンティッククエリをサポートすることができる。
論文参考訳（メタデータ） (2023-06-07T20:16:08Z)
Generalizing to Unseen Elements: A Survey on Knowledge Extrapolation for Knowledge Graphs [46.202752149611776]
知識グラフ(KG)は様々なアプリケーションにおいて貴重な知識資源となっている。従来型の知識グラフ埋め込み(KGE)メソッドは、モデルテスト中に目に見えないエンティティや関係を扱う場合、依然として課題に直面している。一般用語の集合を用いてこれらの手法を統一し、それらを総合的に知識外挿と呼ぶ。
論文参考訳（メタデータ） (2023-02-03T17:05:59Z)
A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文参考訳（メタデータ） (2022-12-12T08:40:04Z)
Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文参考訳（メタデータ） (2022-04-15T04:02:06Z)
Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文参考訳（メタデータ） (2021-05-13T14:50:45Z)
Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文参考訳（メタデータ） (2020-03-25T22:53:14Z)

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。