論文の概要: Relation Extraction Across Entire Books to Reconstruct Community Networks: The AffilKG Datasets
- arxiv url: http://arxiv.org/abs/2505.10798v1
- Date: Fri, 16 May 2025 02:24:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:13.88467
- Title: Relation Extraction Across Entire Books to Reconstruct Community Networks: The AffilKG Datasets
- Title（参考訳）: コミュニティネットワーク構築のための書物間の関係抽出:AffilKGデータセット
- Authors: Erica Cai, Sean McQuade, Kevin Young, Brendan O'Connor,
- Abstract要約: AffilKGは6つのデータセットの集合で、完全な書籍スキャンと大きなラベル付き知識グラフをペアにした最初のものである。
各データセットにはアフィリエイトグラフがあり、人と組織間のメンバ関係をキャプチャするシンプルなKGである。
- 参考スコア（独自算出の注目度）: 3.9244082434642555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When knowledge graphs (KGs) are automatically extracted from text, are they accurate enough for downstream analysis? Unfortunately, current annotated datasets can not be used to evaluate this question, since their KGs are highly disconnected, too small, or overly complex. To address this gap, we introduce AffilKG (https://doi.org/10.5281/zenodo.15427977), which is a collection of six datasets that are the first to pair complete book scans with large, labeled knowledge graphs. Each dataset features affiliation graphs, which are simple KGs that capture Member relationships between Person and Organization entities -- useful in studies of migration, community interactions, and other social phenomena. In addition, three datasets include expanded KGs with a wider variety of relation types. Our preliminary experiments demonstrate significant variability in model performance across datasets, underscoring AffilKG's ability to enable two critical advances: (1) benchmarking how extraction errors propagate to graph-level analyses (e.g., community structure), and (2) validating KG extraction methods for real-world social science research.
- Abstract（参考訳）: 知識グラフ(KG)がテキストから自動的に抽出される場合、下流分析に十分な精度が得られますか?
残念なことに、現在の注釈付きデータセットは、KGは高結合性、小さすぎる、複雑すぎるため、この問題を評価するには使用できない。
このギャップを解決するために、AffilKG (https://doi.org/10.5281/zenodo.15427977)を導入します。
各データセットには、人と組織間のメンバ関係をキャプチャするシンプルなKGであるアフィリエイトグラフがあり、移行やコミュニティのインタラクション、その他の社会現象の研究に役立ちます。
さらに3つのデータセットには、より広範な関係型を持つ拡張KGが含まれる。
予備実験では,AffilKGがグラフレベルの分析(コミュニティ構造など)に対して,抽出誤差がどのように伝播するかのベンチマークと,実際の社会科学研究におけるKG抽出手法の検証という,2つの重要な進歩を実証した。
関連論文リスト
- MuCo-KGC: Multi-Context-Aware Knowledge Graph Completion [0.0]
Multi-Context-Aware Knowledge Graph Completion (MuCo-KGC) は、グラフ内のリンクされたエンティティや関係からのコンテキスト情報を利用して、テールエンティティを予測する新しいモデルである。
MuCo-KGCは、エンティティ記述と負の三重項サンプリングの必要性を排除し、性能を高めながら計算の複雑さを著しく低減する。
FB15k-237、WN18RR、CoDEx-S、CoDEx-Mなどの標準データセットに関する実験は、MuCo-KGCが3つのデータセット上で最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2025-03-05T01:18:11Z) - iText2KG: Incremental Knowledge Graphs Construction Using Large Language Models [0.7165255458140439]
iText2KGは、後処理なしで漸進的にトピックに依存しない知識グラフを構築する方法である。
提案手法は,3つのシナリオにまたがるベースライン手法と比較して,優れた性能を示す。
論文 参考訳（メタデータ） (2024-09-05T06:49:14Z) - GS-KGC: A Generative Subgraph-based Framework for Knowledge Graph Completion with Large Language Models [7.995716933782121]
我々は textbfGenerative textbfSubgraph-based KGC (GS-KGC) と呼ばれる新しい補完フレームワークを提案する。
このフレームワークは、主に負と隣人を生成するように設計された部分グラフ分割アルゴリズムを含んでいる。
4つの共通のKGCデータセットで実施された実験は、提案されたGS-KGCの利点を強調している。
論文 参考訳（メタデータ） (2024-08-20T13:13:41Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - 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) - Explainable Sparse Knowledge Graph Completion via High-order Graph
Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。
高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。
情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文 参考訳（メタデータ） (2022-07-14T10:16:56Z) - EventNarrative: A large-scale Event-centric Dataset for Knowledge
Graph-to-Text Generation [8.216976747904726]
EventNarrativeは,約23万のグラフと,対応する自然言語テキストで構成されている。
私たちの目標は2つある – データが不足しているイベント中心の研究において,新たな基盤を突破する上で,研究者が明確に定義された大規模データセットを提供することです。
論文 参考訳（メタデータ） (2021-10-30T15:39:20Z) - 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) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳（メタデータ） (2020-04-30T14:16:19Z)
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。