論文の概要: The Integration of Semantic and Structural Knowledge in Knowledge Graph Entity Typing

• arxiv url: http://arxiv.org/abs/2404.08313v1
• Date: Fri, 12 Apr 2024 08:17:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-04-15 15:35:59.541846
• Title: The Integration of Semantic and Structural Knowledge in Knowledge Graph Entity Typing
• Title（参考訳）: 知識グラフエンティティタイピングにおける意味的知識と構造的知識の統合
• Authors: Muzhi Li, Minda Hu, Irwin King, Ho-fung Leung,
• Abstract要約: 最近の研究は、エンティティの地域地区におけるtextittextbf知識のみを利用している。 我々は,新しい textbfunderlineSemantic と textbfunderlineStructure-aware KG textbfunderlineEntity textbfunderlineTyping (SSET) フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 36.25678234550434
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Knowledge Graph Entity Typing (KGET) task aims to predict missing type annotations for entities in knowledge graphs. Recent works only utilize the \textit{\textbf{structural knowledge}} in the local neighborhood of entities, disregarding \textit{\textbf{semantic knowledge}} in the textual representations of entities, relations, and types that are also crucial for type inference. Additionally, we observe that the interaction between semantic and structural knowledge can be utilized to address the false-negative problem. In this paper, we propose a novel \textbf{\underline{S}}emantic and \textbf{\underline{S}}tructure-aware KG \textbf{\underline{E}}ntity \textbf{\underline{T}}yping~{(SSET)} framework, which is composed of three modules. First, the \textit{Semantic Knowledge Encoding} module encodes factual knowledge in the KG with a Masked Entity Typing task. Then, the \textit{Structural Knowledge Aggregation} module aggregates knowledge from the multi-hop neighborhood of entities to infer missing types. Finally, the \textit{Unsupervised Type Re-ranking} module utilizes the inference results from the two models above to generate type predictions that are robust to false-negative samples. Extensive experiments show that SSET significantly outperforms existing state-of-the-art methods.
• Abstract（参考訳）: Knowledge Graph Entity Typing (KGET)タスクは、知識グラフ内のエンティティの欠落した型アノテーションを予測することを目的としている。 最近の研究は、エンティティの局所的な近傍にある \textit{\textbf{structureural knowledge}} のみを使用し、型推論に不可欠なエンティティ、関係、型のテキスト表現では \textit{\textbf{semantic knowledge}} を無視している。 さらに, 意味的知識と構造的知識の相互作用を利用して, 偽陰性問題に対処できることが観察された。 本稿では,3つのモジュールからなる新規な \textbf{\underline{S}}emantic および \textbf{\underline{S}}tructure-aware KG \textbf{\underline{E}}ntity \textbf{\underline{T}}yping~{(SSET)} フレームワークを提案する。 まず、textit{Semantic Knowledge Encoding}モジュールは、KGの事実知識をMasked Entity Typingタスクでエンコードする。 次に、‘textit{Structural Knowledge Aggregation} モジュールは、エンティティのマルチホップ近傍からの知識を集約して、欠落した型を推測する。 最後に、\textit{Unsupervised Type Re- rank}モジュールは、上記の2つのモデルからの推論結果を利用して、偽陰性サンプルに対して堅牢な型予測を生成する。 大規模な実験により、SSETは既存の最先端手法を著しく上回っていることが示された。

関連論文リスト

• SEMMA: A Semantic Aware Knowledge Graph Foundation Model [34.001718474850676]
  知識グラフ基礎モデル(KGFM)は、転送可能なパターンを学習することによって、目に見えないグラフに対するゼロショット推論を可能にすることを約束している。 本稿では, 変換可能なテキストセマンティクスと構造を結合したデュアルモジュールKGFMであるSEMMAを紹介する。 より困難な一般化設定では、テスト時間関係ボキャブラリは完全に見えず、構造的手法は崩壊し、SEMMAは2倍効率がよい。
  論文  参考訳（メタデータ） (2025-05-26T18:15:25Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Hypergraph based Understanding for Document Semantic Entity Recognition [65.84258776834524]
  我々は,ハイパグラフアテンションを利用したハイパグラフアテンション文書セマンティックエンティティ認識フレームワークHGAを構築し,エンティティ境界とエンティティカテゴリを同時に重視する。 FUNSD, CORD, XFUNDIE で得られた結果は,本手法が意味的エンティティ認識タスクの性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-09T14:35:49Z)
• Hypertext Entity Extraction in Webpage [112.56734676713721]
  textbfMoE ベースの textbfEntity textbfExtraction textbfFramework (textitMoEEF) を導入する。 また、textitHEEDにおけるハイパーテキスト機能の有効性と、textitMoEEFにおけるモデルコンポーネントについて分析する。
  論文  参考訳（メタデータ） (2024-03-04T03:21:40Z)
• Multi-view Contrastive Learning for Entity Typing over Knowledge Graphs [25.399684403558553]
  知識グラフ・エンティティ・タイピング(MCLET)のためのマルチビューコントラスト学習法を提案する。 MCLETはクラスタが提供する粗い知識をエンティティや型埋め込みに効果的にエンコードする。
  論文  参考訳（メタデータ） (2023-10-18T14:41:09Z)
• DocTr: Document Transformer for Structured Information Extraction in Documents [36.1145541816468]
  本稿では、視覚的にリッチな文書から構造化情報を取り出すための新しい定式化について述べる。 既存のIOBタグやグラフベースの定式化の制限に対処することを目的としている。 我々は、エンティティをアンカーワードとバウンディングボックスとして表現し、エンティティリンクをアンカーワードの関連付けとして表現する。
  論文  参考訳（メタデータ） (2023-07-16T02:59:30Z)
• OntoType: Ontology-Guided and Pre-Trained Language Model Assisted Fine-Grained Entity Typing [25.516304052884397]
  きめ細かいエンティティタイピング(FET)は、コンテキストに敏感できめ細かいセマンティックタイプでエンティティをテキストに割り当てる。 OntoTypeは、粗いものから細いものまで、型オントロジ構造に従い、複数のPLMをアンサンブルすることで、型候補のセットを生成する。 Ontonotes、FIGER、NYTデータセットに関する我々の実験は、我々の手法が最先端のゼロショットの微細なエンティティタイピング方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-21T00:32:37Z)
• HiSMatch: Historical Structure Matching based Temporal Knowledge Graph Reasoning [59.38797474903334]
  本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。 クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。 6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
  論文  参考訳（メタデータ） (2022-10-18T09:39:26Z)
• Context-aware Entity Typing in Knowledge Graphs [12.181416235996302]
  知識グラフエンティティタイピングは、知識グラフにおけるエンティティの欠落したタイプを推測することを目的としている。 本稿では,エンティティのコンテキスト情報を利用した新しい手法を提案する。 実世界の2つのKG実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-09-16T13:59:27Z)
• Pre-training Language Model Incorporating Domain-specific Heterogeneous Knowledge into A Unified Representation [49.89831914386982]
  本研究では, 構造化されていないテキスト, 半構造化されたテキスト, 十分に構造化されたテキストを含む, あらゆる形式のテキストに対して, 統一された事前学習言語モデル (PLM) を提案する。 提案手法は,データの1/4のみを用いて,プレーンテキストの事前学習に優れる。
  論文  参考訳（メタデータ） (2021-09-02T16:05:24Z)
• KGSynNet: A Novel Entity Synonyms Discovery Framework with Knowledge Graph [23.053995137917994]
  emphKGSynNetという新しいエンティティ同義語発見フレームワークを提案する。 具体的には、大規模なドメイン固有コーパスを用いて、参照やエンティティのサブワード埋め込みを事前訓練する。 固有設計のエンフュージョンゲートを用いて、エンティティの知識情報をセマンティックな特徴に適応的に吸収する。
  論文  参考訳（メタデータ） (2021-03-16T07:32:33Z)
• Autoregressive Entity Retrieval [55.38027440347138]
  エンティティは、知識の表現と集約の方法の中心にあります。 クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。 本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:13:31Z)
• Connecting Embeddings for Knowledge Graph Entity Typing [22.617375045752084]
  知識グラフ(KG)エンティティタイピングは、KGに欠落する可能性のあるエンティティタイプのインスタンスを推測することを目的としている。 我々は,既存のエンティティ型アサーションから局所型付け知識とKGからのグローバル三重知識を併用して学習した,KGエンティティ型付けのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-21T15:00:01Z)
• Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
  本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。 我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。 特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:58:03Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。