論文の概要: TIGER: Temporally Improved Graph Entity Linker
- arxiv url: http://arxiv.org/abs/2410.09128v1
- Date: Fri, 11 Oct 2024 09:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 16:13:24.695774
- Title: TIGER: Temporally Improved Graph Entity Linker
- Title（参考訳）: TIGER: 一時的に改善されたグラフエンティティリンカ
- Authors: Pengyu Zhang, Congfeng Cao, Paul Groth,
- Abstract要約: textbfTIGER: textbfTemporally textbfImproved textbfGraph textbfEntity Linketextbfr。
textbfTIGER: textbfTemporally textbfImproved textbfGraph textbfEntity Linketextbfr。
我々は学習した表現を強化し、実体を作る
- 参考スコア（独自算出の注目度）: 6.111040278075022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graphs change over time, for example, when new entities are introduced or entity descriptions change. This impacts the performance of entity linking, a key task in many uses of knowledge graphs such as web search and recommendation. Specifically, entity linking models exhibit temporal degradation - their performance decreases the further a knowledge graph moves from its original state on which an entity linking model was trained. To tackle this challenge, we introduce \textbf{TIGER}: a \textbf{T}emporally \textbf{I}mproved \textbf{G}raph \textbf{E}ntity Linke\textbf{r}. By incorporating structural information between entities into the model, we enhance the learned representation, making entities more distinguishable over time. The core idea is to integrate graph-based information into text-based information, from which both distinct and shared embeddings are based on an entity's feature and structural relationships and their interaction. Experiments on three datasets show that our model can effectively prevent temporal degradation, demonstrating a 16.24\% performance boost over the state-of-the-art in a temporal setting when the time gap is one year and an improvement to 20.93\% as the gap expands to three years. The code and data are made available at \url{https://github.com/pengyu-zhang/TIGER-Temporally-Improved-Graph-Entity-Linker}.
- Abstract（参考訳）: 例えば、新しいエンティティが導入されたり、エンティティ記述が変更されたりすると、知識グラフは時間とともに変化する。
これは、Web検索やレコメンデーションといった知識グラフを多用する上で重要なタスクであるエンティティリンクのパフォーマンスに影響を与える。
具体的には、エンティティリンクモデルは時間的劣化を示し、その性能は、エンティティリンクモデルがトレーニングされた元の状態から知識グラフが移動するほど低下する。
この課題に対処するために、 \textbf{TIGER}: a \textbf{T}emporally \textbf{I}mproved \textbf{G}raph \textbf{E}ntity Linke\textbf{r}を紹介する。
モデルにエンティティ間の構造情報を組み込むことで、学習された表現を強化し、時間とともにエンティティをより区別しやすくする。
中心となる考え方は、グラフベースの情報をテキストベースの情報に統合することである。
3つのデータセットを用いて実験したところ, 時間差が1年である場合, 時間差が16.24\%向上し, 時間差が3年で20.93\%向上すると, 時間差が16.24\%向上することが示唆された。
コードとデータは \url{https://github.com/pengyu-zhang/TIGER-Temporally-Improved-Graph-Entity-Linker} で公開されている。
関連論文リスト
- CYCLE: Cross-Year Contrastive Learning in Entity-Linking [8.108904258003411]
textbfCYCLE: textbfCross-textbfYear textbfContrastive textbfLearning for textbfEntity-Linking
textbfCYCLE: textbfCross-textbfYear textbfContrastive textbfLearning for textbfEntity-Linkingを紹介する。
論文 参考訳（メタデータ） (2024-10-11T09:41:54Z) - Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。
本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。
BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
論文 参考訳（メタデータ） (2024-10-09T10:20:54Z) - 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) - Relation Rectification in Diffusion Model [64.84686527988809]
本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。
異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。
軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
論文 参考訳（メタデータ） (2024-03-29T15:54:36Z) - Modeling Fine-grained Information via Knowledge-aware Hierarchical Graph
for Zero-shot Entity Retrieval [11.533614615010643]
我々は,よりきめ細かい情報を文埋め込みに補完するものとして,GERを提案する。
これらの知識ユニットから情報を集約することで、言及/関心に関するきめ細かい情報を学習する。
一般的なベンチマーク実験の結果,提案するGERフレームワークは,従来の最先端モデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-20T14:37:53Z) - 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) - Scene Graph Modification as Incremental Structure Expanding [61.84291817776118]
本研究では,既存のシーングラフを自然言語クエリに基づいて更新する方法を学習するために,シーングラフ修正(SGM)に注目した。
インクリメンタル構造拡張(ISE)の導入によるグラフ拡張タスクとしてのSGM
既存のデータセットよりも複雑なクエリと大きなシーングラフを含む、挑戦的なデータセットを構築します。
論文 参考訳（メタデータ） (2022-09-15T16:26:14Z) - Visual FUDGE: Form Understanding via Dynamic Graph Editing [2.012425476229879]
提案したFUDGEモデルは、テキスト要素のグラフ上でこの問題を定式化する。
グラフ畳み込みネットワークを使用して、グラフの変更を予測する。
FUDGEは歴史的NAFデータセットの最先端である。
論文 参考訳（メタデータ） (2021-05-17T23:18:39Z) - Context-Enhanced Entity and Relation Embedding for Knowledge Graph
Completion [2.580765958706854]
マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。
実験の結果、AggrEは既存のモデルと競合していることがわかった。
論文 参考訳（メタデータ） (2020-12-13T09:20:42Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:13:00Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。
エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。
その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-17T03:33:41Z)
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。