論文の概要: KG-HTC: Integrating Knowledge Graphs into LLMs for Effective Zero-shot Hierarchical Text Classification

• arxiv url: http://arxiv.org/abs/2505.05583v1
• Date: Thu, 08 May 2025 18:27:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.042252
• Title: KG-HTC: Integrating Knowledge Graphs into LLMs for Effective Zero-shot Hierarchical Text Classification
• Title（参考訳）: KG-HTC: ゼロショット階層テキスト分類のための知識グラフをLLMに統合
• Authors: Qianbo Zang, Christophe Zgrzendek, Igor Tchappi, Afshin Khadangi, Johannes Sedlmeir,
• Abstract要約: 階層的テキスト分類(HTC)は、分類学で組織されたラベルに文書を割り当てることを含む。 ゼロショットHTCのための知識グラフを提示し、Large Language Models (LLMs)と知識グラフを統合する。 提案手法は,入力テキストに関連する知識グラフから,RAG(Retrieval-Augmented Generation)アプローチを用いて関連するサブグラフを検索する。
• 参考スコア（独自算出の注目度）: 1.335683508747434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical Text Classification (HTC) involves assigning documents to labels organized within a taxonomy. Most previous research on HTC has focused on supervised methods. However, in real-world scenarios, employing supervised HTC can be challenging due to a lack of annotated data. Moreover, HTC often faces issues with large label spaces and long-tail distributions. In this work, we present Knowledge Graphs for zero-shot Hierarchical Text Classification (KG-HTC), which aims to address these challenges of HTC in applications by integrating knowledge graphs with Large Language Models (LLMs) to provide structured semantic context during classification. Our method retrieves relevant subgraphs from knowledge graphs related to the input text using a Retrieval-Augmented Generation (RAG) approach. Our KG-HTC can enhance LLMs to understand label semantics at various hierarchy levels. We evaluate KG-HTC on three open-source HTC datasets: WoS, DBpedia, and Amazon. Our experimental results show that KG-HTC significantly outperforms three baselines in the strict zero-shot setting, particularly achieving substantial improvements at deeper levels of the hierarchy. This evaluation demonstrates the effectiveness of incorporating structured knowledge into LLMs to address HTC's challenges in large label spaces and long-tailed label distributions. Our code is available at: https://github.com/QianboZang/KG-HTC.
• Abstract（参考訳）: 階層的テキスト分類(HTC)は、分類学で組織されたラベルに文書を割り当てることを含む。 HTCに関するこれまでの研究は、教師付き手法に重点を置いていた。 しかし、現実のシナリオでは、アノテートされたデータが不足しているため、教師付きHTCを使うことは困難である。 さらにHTCは、大きなラベルスペースと長いテールのディストリビューションで問題に直面していることが多い。 本研究では,ゼロショット階層型テキスト分類(KG-HTC)のための知識グラフを提案する。このグラフは,知識グラフをLLM(Large Language Models)と統合して,分類中の構造化意味コンテキストを提供することによって,アプリケーションにおけるHTCのこれらの課題に対処することを目的としている。 提案手法は,入力テキストに関連する知識グラフから,RAG(Retrieval-Augmented Generation)アプローチを用いて関連するサブグラフを検索する。 我々のKG-HTCは、ラベルのセマンティクスを様々な階層レベルで理解するためにLLMを強化することができる。 我々は、WoS、DBpedia、Amazonの3つのオープンソースHTCデータセットでKG-HTCを評価した。 実験の結果、KG-HTCは厳密なゼロショット設定において3つのベースラインを著しく上回り、特に階層のより深いレベルにおいて実質的な改善を実現していることがわかった。 この評価は,LLMに構造化知識を組み込んで,HTCの大規模ラベル空間と長期ラベル分布における課題に対処する効果を示す。 私たちのコードは、https://github.com/QianboZang/KG-HTCで利用可能です。

関連論文リスト

• Revisiting Hierarchical Text Classification: Inference and Metrics [4.057349748970303]
  階層的テキスト分類(階層的テキスト分類、hierarchical text classification)は、階層として整理された構造化空間内のテキストにラベルを割り当てるタスクである。 最近の研究は、HTCを従来のマルチラベル分類問題として扱い、そのように評価している。 本稿では,特に設計した階層的指標に基づくモデルの評価を提案し,計量選択と予測推定手法の複雑さを実証する。
  論文  参考訳（メタデータ） (2024-10-02T07:57:33Z)
• Retrieval-style In-Context Learning for Few-shot Hierarchical Text Classification [34.06292178703825]
  大規模な言語モデル(LLM)を備えた最初のICLベースのフレームワークを,数ショットのHTC向けに紹介する。 検索データベースを利用して、関連する実演を識別し、多層階層ラベルを管理するための反復的なポリシーを用いる。 数ショットのHTCで最先端の成果が得られます。
  論文  参考訳（メタデータ） (2024-06-25T13:19:41Z)
• MixSup: Mixed-grained Supervision for Label-efficient LiDAR-based 3D Object Detection [59.1417156002086]
  MixSupは、大量の安価な粗いラベルと、Mixed-fine Supervisionの限られた数の正確なラベルを同時に活用する、より実用的なパラダイムである。 MixSupは、安価なクラスタアノテーションと10%のボックスアノテーションを使用して、完全な教師付きパフォーマンスの97.31%を達成している。
  論文  参考訳（メタデータ） (2024-01-29T17:05:19Z)
• Hierarchical Verbalizer for Few-Shot Hierarchical Text Classification [10.578682558356473]
  階層的テキスト分類(HTC)は、低リソースまたは少数ショットの設定を考慮すると、パフォーマンスが低下する。 本稿では,HTC を単一あるいは複数ラベルの分類問題として扱う多言語フレームワークである階層型動詞化器 (HierVerb) を提案する。 このように、HierVerbはラベル階層の知識を動詞化子に融合させ、グラフエンコーダを通じて階層を注入する者よりも著しく優れています。
  論文  参考訳（メタデータ） (2023-05-26T12:41:49Z)
• HaGRID - HAnd Gesture Recognition Image Dataset [79.21033185563167]
  本稿では,ハンドジェスチャ認識システム構築のための巨大なデータセットであるHaGRIDを紹介し,それを管理するデバイスとのインタラクションに着目した。 ジェスチャーは静的だが、特にいくつかの動的ジェスチャーを設計する能力のために拾われた。 HaGRIDには54,800の画像とジェスチャーラベル付きバウンディングボックスアノテーションが含まれており、手検出とジェスチャー分類のタスクを解決している。
  論文  参考訳（メタデータ） (2022-06-16T14:41:32Z)
• HPT: Hierarchy-aware Prompt Tuning for Hierarchical Text Classification [45.314357107687286]
  マルチラベルの観点からHTCを扱うための階層型Prompt Tuning法であるHPTを提案する。 具体的には,ラベル階層の知識を融合させるために,ソフトプロンプトの形式を取り入れた動的仮想テンプレートとラベル語を構築した。 実験によると、HPTは3つの人気のあるHTCデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-04-28T11:22:49Z)
• HTCInfoMax: A Global Model for Hierarchical Text Classification via Information Maximization [75.45291796263103]
  階層的テキスト分類のための現在の最新モデルHiAGMには2つの制限がある。 関連しない情報を含むデータセット内のすべてのラベルと、各テキストサンプルを関連付ける。 2つのモジュールを含む情報を導入することで、これらの問題に対処するHTCInfoMaxを提案します。
  論文  参考訳（メタデータ） (2021-04-12T06:04:20Z)
• KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization and Completion [99.47414073164656]
  包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。 2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。 我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
  論文  参考訳（メタデータ） (2020-04-28T16:21:57Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。