論文の概要: Enterprise Use Cases Combining Knowledge Graphs and Natural Language Processing
- arxiv url: http://arxiv.org/abs/2404.01443v1
- Date: Mon, 1 Apr 2024 19:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 20:37:09.860038
- Title: Enterprise Use Cases Combining Knowledge Graphs and Natural Language Processing
- Title(参考訳): 知識グラフと自然言語処理を組み合わせたエンタープライズユースケース
- Authors: Phillip Schneider, Tim Schopf, Juraj Vladika, Florian Matthes,
- Abstract要約: 知識グラフ(KG)は、データを整理し、意味を成すための柔軟でスケーラブルでセマンティックにリッチな方法を提供する。
本稿は,KGと自然言語処理(NLP)の併用に関する最近の研究成果に基づくものである。
我々は,KG に基づく NLP タスクだけでなく,KG 構築の3つの中核領域からの様々なアプローチについて論じる。
- 参考スコア(独自算出の注目度): 4.637328271312331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge management is a critical challenge for enterprises in today's digital world, as the volume and complexity of data being generated and collected continue to grow incessantly. Knowledge graphs (KG) emerged as a promising solution to this problem by providing a flexible, scalable, and semantically rich way to organize and make sense of data. This paper builds upon a recent survey of the research literature on combining KGs and Natural Language Processing (NLP). Based on selected application scenarios from enterprise context, we discuss synergies that result from such a combination. We cover various approaches from the three core areas of KG construction, reasoning as well as KG-based NLP tasks. In addition to explaining innovative enterprise use cases, we assess their maturity in terms of practical applicability and conclude with an outlook on emergent application areas for the future.
- Abstract(参考訳): 知識管理は、データの生成と収集の量と複雑さが絶え間なく増大し続けており、今日のデジタル世界では、企業にとって重要な課題である。
知識グラフ(KG)は、柔軟でスケーラブルでセマンティックにリッチな方法でデータの整理と理解を提供することによって、この問題に対する有望な解決策として登場した。
本稿は,KGsと自然言語処理(NLP)を組み合わせた最近の研究成果に基づいている。
企業コンテキストから選択したアプリケーションシナリオに基づいて、このような組み合わせによる相乗効果について議論する。
我々は,KG に基づく NLP タスクだけでなく,KG 構築の3つの中核領域からの様々なアプローチについて論じる。
革新的な企業利用事例を説明することに加えて、実用性の観点からそれらの成熟度を評価し、今後の創発的アプリケーション分野の展望をまとめる。
関連論文リスト
- Knowledge Graph Completion using Structural and Textual Embeddings [0.0]
本稿では,知識グラフ内のテキスト情報と構造情報の両方を利用する関係予測モデルを提案する。
本手法では,歩行に基づく埋め込みと言語モデル埋め込みを統合し,ノードを効果的に表現する。
本研究では,広く利用されているデータセットで評価した場合,関係予測タスクにおける競合結果が得られたことを実証する。
論文 参考訳(メタデータ) (2024-04-24T21:04:14Z) - Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [90.30473970040362]
我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成できる、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。
具体的には、LLMをKGを探索するエージェントとして扱うだけでなく、KGとして扱い、探索したサブグラフに基づいて新たな事実を生成する選択生成探索フレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-23T04:47:22Z) - Large Language Models for Next Point-of-Interest Recommendation [53.93503291553005]
位置情報ベースのソーシャルネットワーク(LBSN)データは、しばしば次のPoint of Interest(POI)レコメンデーションタスクに使用される。
しばしば無視される課題の1つは、LBSNデータに存在する豊富なコンテキスト情報を効果的に利用する方法である。
本稿では,この課題に対処するために,LLM(Large Language Models)を用いたフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-19T13:28:36Z) - Knowledge Graph Large Language Model (KG-LLM) for Link Prediction [41.471553288898114]
本稿では,知識グラフにおけるマルチホップリンク予測を強化するために,知識グラフ大言語モデルフレームワーク(KG-LLM)を提案する。
知識グラフをチェーン・オブ・シークレットのプロンプトに変換することで、我々のフレームワークは、エンティティの潜在表現とその相互関係を識別し、学習するように設計されている。
論文 参考訳(メタデータ) (2024-03-12T04:47:29Z) - FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning [55.02512821257247]
複雑な論理的問合せ応答は知識グラフ(KG)の課題である
近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。
マルチソースKGのクエリにどのように答えるかは、まだ不明である。
論文 参考訳(メタデータ) (2024-02-22T14:57:44Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳(メタデータ) (2024-01-28T08:56:49Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳(メタデータ) (2023-07-03T16:01:45Z) - CoSe-Co: Text Conditioned Generative CommonSense Contextualizer [13.451001884972033]
事前訓練された言語モデル(PTLM)は、自然言語のタスクでうまく機能することが示されている。
文に条件付きCommonSense Contextualizer(CoSe-Co)を提案する。
論文 参考訳(メタデータ) (2022-06-12T09:57:32Z) - CokeBERT: Contextual Knowledge Selection and Embedding towards Enhanced
Pre-Trained Language Models [103.18329049830152]
我々は,コンテキスト知識を動的に選択し,テキストコンテキストに応じて知識コンテキストを埋め込む,Cokeという新しいフレームワークを提案する。
実験の結果、コークは知識駆動型NLPタスクにおいて、様々なベースラインを上回ります。
コークは、テキスト関連の知識のセマンティクスを従来のPLMよりも解釈可能な形で記述することができる。
論文 参考訳(メタデータ) (2020-09-29T12:29:04Z) - Relational Learning Analysis of Social Politics using Knowledge Graph
Embedding [11.978556412301975]
本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。
ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。
このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
論文 参考訳(メタデータ) (2020-06-02T14:10:28Z) - Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。
ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。
この記事では、AIのためのKGの旅を要約する。
論文 参考訳(メタデータ) (2020-03-07T18:09:18Z)
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。