論文の概要: WikiCausal: Corpus and Evaluation Framework for Causal Knowledge Graph Construction
- arxiv url: http://arxiv.org/abs/2409.00331v1
- Date: Sat, 31 Aug 2024 02:21:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 15:37:00.745559
- Title: WikiCausal: Corpus and Evaluation Framework for Causal Knowledge Graph Construction
- Title(参考訳): WikiCausal: 因果知識グラフ構築のためのコーパスと評価フレームワーク
- Authors: Oktie Hassanzadeh,
- Abstract要約: 本稿では,因果知識グラフ構築のためのコーパス,タスク,評価フレームワークを提案する。
この評価は、Wikidataの既存の因果関係を用いて部分的に実施され、リコールを測定する。
コーパスと評価フレームワークによって、各タスクに適したモデルが効果的に見つけることができることを示す。
- 参考スコア(独自算出の注目度): 4.64226279729394
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recently, there has been an increasing interest in the construction of general-domain and domain-specific causal knowledge graphs. Such knowledge graphs enable reasoning for causal analysis and event prediction, and so have a range of applications across different domains. While great progress has been made toward automated construction of causal knowledge graphs, the evaluation of such solutions has either focused on low-level tasks (e.g., cause-effect phrase extraction) or on ad hoc evaluation data and small manual evaluations. In this paper, we present a corpus, task, and evaluation framework for causal knowledge graph construction. Our corpus consists of Wikipedia articles for a collection of event-related concepts in Wikidata. The task is to extract causal relations between event concepts from the corpus. The evaluation is performed in part using existing causal relations in Wikidata to measure recall, and in part using Large Language Models to avoid the need for manual or crowd-sourced evaluation. We evaluate a pipeline for causal knowledge graph construction that relies on neural models for question answering and concept linking, and show how the corpus and the evaluation framework allow us to effectively find the right model for each task. The corpus and the evaluation framework are publicly available.
- Abstract(参考訳): 近年,一般ドメインやドメイン固有の因果知識グラフの構築への関心が高まっている。
このような知識グラフは因果解析や事象予測の推論を可能にし、異なる領域にまたがる幅広いアプリケーションを持つ。
因果知識グラフの自動構築に向けて大きな進展が見られたが、そのようなソリューションの評価は、低レベルなタスク(例えば、因果語句抽出)やアドホックな評価データ、手作業による小さな評価に重点を置いている。
本稿では,因果知識グラフ構築のためのコーパス,タスク,評価フレームワークを提案する。
我々のコーパスはウィキデータにおけるイベント関連概念の収集のためのウィキペディア記事で構成されている。
課題は、コーパスからイベント概念間の因果関係を抽出することである。
この評価は、Wikidataの既存の因果関係を用いて、リコールを計測し、また、手動やクラウドソースによる評価の必要を回避するために、大規模言語モデルを用いて行われる。
質問応答や概念リンクのためのニューラルモデルに依存する因果知識グラフ構築のためのパイプラインを評価し,コーパスと評価フレームワークが,各タスクに対して適切なモデルを効果的に見つけることができるかを示す。
コーパスと評価フレームワークが公開されている。
関連論文リスト
- Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。
提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
論文 参考訳(メタデータ) (2024-06-14T13:28:03Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳(メタデータ) (2024-01-01T02:03:35Z) - PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。
複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
論文 参考訳(メタデータ) (2023-06-20T09:55:10Z) - Causal schema induction for knowledge discovery [21.295680010103602]
本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。
データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。
その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
論文 参考訳(メタデータ) (2023-03-27T16:55:49Z) - ExplaGraphs: An Explanation Graph Generation Task for Structured
Commonsense Reasoning [65.15423587105472]
スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。
具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。
グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
論文 参考訳(メタデータ) (2021-04-15T17:51:36Z) - Focusing Knowledge-based Graph Argument Mining via Topic Modeling [43.69396080017806]
文レベルの議論マイニングの課題について検討するが、議論は特定・理解するためにはある程度の世界知識が必要である。
話題モデルを用いて,構造化知識ベースWikidataから話題や文固有の証拠を抽出する。
また、構造化知識基盤の一般的な不完全性に対処するために、Googleが発見したトピック特化記事に基づく第2のグラフを構築した。
論文 参考訳(メタデータ) (2021-02-03T14:39:58Z) - KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
知識集約型言語タスク(KILT)のベンチマークを示す。
KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。
共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
論文 参考訳(メタデータ) (2020-09-04T15:32:19Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳(メタデータ) (2020-03-10T12:48:00Z)
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。