論文の概要: QuanTaxo: A Quantum Approach to Self-Supervised Taxonomy Expansion
- arxiv url: http://arxiv.org/abs/2501.14011v2
- Date: Wed, 19 Feb 2025 20:30:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:25:05.469420
- Title: QuanTaxo: A Quantum Approach to Self-Supervised Taxonomy Expansion
- Title（参考訳）: QuanTaxo: 自己監督型分類拡張のための量子的アプローチ
- Authors: Sahil Mishra, Avi Patni, Niladri Chatterjee, Tanmoy Chakraborty,
- Abstract要約: 分類学拡張のための革新的な量子インスパイアされたフレームワークであるQuanTaxoを紹介する。
QuanTaxo は古典的な埋め込みモデルよりも優れていることを示す。
また,広範囲なアブレーションとケーススタディを通じてQuanTaxoの優位性を強調した。
- 参考スコア（独自算出の注目度）: 17.865428778692557
- License:
- Abstract: A taxonomy is a hierarchical graph containing knowledge to provide valuable insights for various web applications. Online retail organizations like Microsoft and Amazon utilize taxonomies to improve product recommendations and optimize advertisement by enhancing query interpretation. However, the manual construction of taxonomies requires significant human effort. As web content continues to expand at an unprecedented pace, existing taxonomies risk becoming outdated, struggling to incorporate new and emerging information effectively. As a consequence, there is a growing need for dynamic taxonomy expansion to keep them relevant and up-to-date. Existing taxonomy expansion methods often rely on classical word embeddings to represent entities. However, these embeddings fall short in capturing hierarchical polysemy, where an entity's meaning can vary based on its position in the hierarchy and its surrounding context. To address this challenge, we introduce QuanTaxo, an innovative quantum-inspired framework for taxonomy expansion. QuanTaxo encodes entity representations in quantum space, effectively modeling hierarchical polysemy by leveraging the principles of Hilbert space to capture interference effects between entities, yielding richer and more nuanced representations. Comprehensive experiments on four real-world benchmark datasets show that QuanTaxo significantly outperforms classical embedding models, achieving substantial improvements of 18.45% in accuracy, 20.5% in Mean Reciprocal Rank, and 17.87% in Wu & Palmer metrics across eight classical embedding-based baselines. We further highlight the superiority of QuanTaxo through extensive ablation and case studies.
- Abstract（参考訳）: 分類学は、様々なWebアプリケーションに貴重な洞察を提供する知識を含む階層的なグラフである。
MicrosoftやAmazonのようなオンライン小売企業は、分類学を利用して製品レコメンデーションを改善し、クエリの解釈を強化することで広告を最適化している。
しかし、タコノミのマニュアル構築にはかなりの人的努力が必要である。
ウェブコンテンツは前例のないペースで拡大し続けており、既存の分類体系は時代遅れになり、新しい情報を効果的に組み込むのに苦労している。
結果として、それらの関連性と最新性を維持するために、動的分類学の拡張の必要性が高まっている。
既存の分類学拡張法は、しばしば実体を表現するために古典的な単語の埋め込みに依存している。
しかし、これらの埋め込みは階層的なポリセミーを捉えるのに不足しており、そこではエンティティの意味は階層におけるその位置と周囲の文脈によって異なる。
この課題に対処するために、クァンタクソ(QuanTaxo)を紹介します。
QuanTaxo は、量子空間における実体表現を符号化し、ヒルベルト空間の原理を利用して、実体間の干渉効果を捕捉し、よりリッチでよりニュアンスな表現をもたらすことによって、階層的ポリセミーを効果的にモデル化する。
4つの実世界のベンチマークデータセットに関する総合的な実験によると、QuanTaxoは古典的な埋め込みモデルよりも大幅に優れており、精度は18.45%、平均相互ランクは20.5%、Wu & Palmerメトリクスは8つの古典的な埋め込みベースラインで17.87%向上している。
広汎なアブレーションとケーススタディを通じてQuanTaxoの優位性をさらに強調する。
関連論文リスト
- FLAME: Self-Supervised Low-Resource Taxonomy Expansion using Large
Language Models [19.863010475923414]
タコノミは、eコマース検索エンジンやレコメンデーションシステムなど、様々な現実世界のアプリケーションで実用性を見出す。
伝統的に監督された分類学の拡張アプローチは、限られた資源から生じる困難に遭遇する。
我々は,大規模言語モデルの能力を活用して,低資源環境における分類学拡張のための新しいアプローチであるFLAMEを提案する。
論文 参考訳（メタデータ） (2024-02-21T08:50:40Z) - Towards Visual Taxonomy Expansion [50.462998483087915]
本稿では,分類拡張タスクに視覚的特徴を導入し,VTE(Visual Taxonomy Expansion)を提案する。
テキストと視覚のセマンティクスをクラスタリングするためのテキストハイパーネミー学習タスクとビジュアルプロトタイプ学習タスクを提案する。
提案手法を2つのデータセットで評価し,有意な結果を得た。
論文 参考訳（メタデータ） (2023-09-12T10:17:28Z) - TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic
Representations [28.65753036636082]
本稿では,既存の分類学における意味的特徴と構造的情報の両方を効果的に活用する新しい分類学補完フレームワークを提案する。
分類エンリッチは,(1)概念の意味的意味と分類学的関係を,強力な事前学習言語モデルに基づいて組み込んだ分類記述型埋め込み,(2)分類の構造情報を符号化して候補位置表現を学習する分類認識シーケンシャルエンコーダの4つの構成要素から構成される。
異なるドメインからの4つの大規模な実世界のデータセットの実験は、TaxoEnrichがすべての評価指標の中で最高のパフォーマンスを達成し、過去の最先端よりも大きなマージンでパフォーマンスを向上していることを示している。
論文 参考訳（メタデータ） (2022-02-10T08:10:43Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳（メタデータ） (2022-01-21T09:01:12Z) - Who Should Go First? A Self-Supervised Concept Sorting Model for
Improving Taxonomy Expansion [50.794640012673064]
データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。
分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。
本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
論文 参考訳（メタデータ） (2021-04-08T11:00:43Z) - Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。
本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。
Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
論文 参考訳（メタデータ） (2020-06-18T04:53:07Z) - STEAM: Self-Supervised Taxonomy Expansion with Mini-Paths [53.45704816829921]
本稿では,STEAMという自己管理型分類拡張モデルを提案する。
STEAMは自然の自己超越信号を生成し、ノードアタッチメント予測タスクを定式化する。
実験の結果、STEAMは11.6%の精度と7.0%の相反ランクで、最先端の分類法よりも優れていた。
論文 参考訳（メタデータ） (2020-06-18T00:32:53Z) - TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced
Graph Neural Network [62.12557274257303]
分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。
そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。
本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
論文 参考訳（メタデータ） (2020-01-26T21:30:21Z)
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。