論文の概要: Guiding Catalogue Enrichment with User Queries

• arxiv url: http://arxiv.org/abs/2406.07098v1
• Date: Tue, 11 Jun 2024 09:38:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 16:34:54.485365
• Title: Guiding Catalogue Enrichment with User Queries
• Title（参考訳）: ユーザクエリによるカタログ強化のガイド
• Authors: Yupei Du, Jacek Golebiowski, Philipp Schmidt, Ziawasch Abedjan,
• Abstract要約: 我々は、豊かなデータポイントを特定し、汎用的なKGを用いてパフォーマンスの利点を示す直感を示す。 本手法は2つの人気のある百科事典KG, DBPedia と YAGO 4 について検討した。
• 参考スコア（独自算出の注目度）: 8.435621679543464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Techniques for knowledge graph (KGs) enrichment have been increasingly crucial for commercial applications that rely on evolving product catalogues. However, because of the huge search space of potential enrichment, predictions from KG completion (KGC) methods suffer from low precision, making them unreliable for real-world catalogues. Moreover, candidate facts for enrichment have varied relevance to users. While making correct predictions for incomplete triplets in KGs has been the main focus of KGC method, the relevance of when to apply such predictions has been neglected. Motivated by the product search use case, we address the angle of generating relevant completion for a catalogue using user search behaviour and the users property association with a product. In this paper, we present our intuition for identifying enrichable data points and use general-purpose KGs to show-case the performance benefits. In particular, we extract entity-predicate pairs from user queries, which are more likely to be correct and relevant, and use these pairs to guide the prediction of KGC methods. We assess our method on two popular encyclopedia KGs, DBPedia and YAGO 4. Our results from both automatic and human evaluations show that query guidance can significantly improve the correctness and relevance of prediction.
• Abstract（参考訳）: 知識グラフ(KG)の濃縮技術は、進化する製品カタログに依存する商業アプリケーションにとってますます重要になっている。 しかし、潜在的富化の巨大な探索空間のため、KG完成法(KGC)の予測精度は低く、現実世界のカタログでは信頼性が低い。 さらに、豊か化の候補事実は、ユーザとの関係も様々である。 KGsにおける不完全三重項の正確な予測は、KGC法の主要な焦点であるが、そのような予測をいつ適用するかは無視されている。 製品検索のユースケースに触発され、ユーザ検索行動と製品に関連するユーザプロパティーを用いてカタログの関連補完を生成できる角度に対処する。 本稿では,リッチなデータポイントを識別するための直観と,汎用的なKGを用いて,パフォーマンス上のメリットを示す。 特に,ユーザクエリからエンティティ-述語ペアを抽出し,そのペアを用いてKGC手法の予測を導出する。 本手法は2つの人気のある百科事典KG, DBPedia と YAGO 4 について検討した。 自動評価と人的評価の両方の結果から,クエリガイダンスは予測の正確性や妥当性を著しく向上することが示された。

関連論文リスト

• Towards Better Benchmark Datasets for Inductive Knowledge Graph Completion [34.58496513149175]
  インダクティブなKGCデータセットを構築するための現在の手順は、必然的に、利用可能なショートカットを生成します。 具体的には、パーソナライズされたPageRank(PPR)スコアが、ほとんどの帰納的データセット上で、SOTAのパフォーマンスを強く、あるいは近く達成できることを観察する。 本稿では,PPRショートカットの緩和に役立つインダクティブなKGCデータセット構築のための代替戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-14T21:01:46Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• Cardinality Estimation over Knowledge Graphs with Embeddings and Graph Neural Networks [0.552480439325792]
  KG(Cardinality Estimation over Knowledge Graphs)は、クエリ最適化において重要である。 本稿では,知識グラフ埋め込みとグラフニューラルネットワーク(GNN)を活用して,結合クエリの濃度を正確に予測する新しい手法であるGNCEを提案する。
  論文  参考訳（メタデータ） (2023-03-02T10:39:13Z)
• KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
  KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。 実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
  論文  参考訳（メタデータ） (2022-08-23T15:11:45Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball [33.90069123451581]
  本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。 双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。 提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2～16%,既存モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-13T03:16:50Z)
• Inductively Representing Out-of-Knowledge-Graph Entities by Optimal Estimation Under Translational Assumptions [42.626395991024545]
  そこで本稿では,OOKGエンティティを翻訳的仮定の下で最適に推定することで,簡便かつ効果的に表現する手法を提案する。 実験結果から,OOKG を用いた2つの KGC タスクにおいて,本手法は高い効率で最先端の手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） (2020-09-27T07:12:18Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。