論文の概要: Graph-Embedding Empowered Entity Retrieval

• arxiv url: http://arxiv.org/abs/2506.03895v1
• Date: Wed, 04 Jun 2025 12:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.325606
• Title: Graph-Embedding Empowered Entity Retrieval
• Title（参考訳）: Graph-Embedding Empowered Entity Retrieval
• Authors: Emma J. Gerritse, Faegheh Hasibi, Arjen P. de Vries,
• Abstract要約: グラフ埋め込み手法の3つの異なるカテゴリと5つの異なるエンティティリンク手法の効果について検討する。 グラフ埋め込みとエンティティリンカの両方の選択は、エンティティ検索の有効性に大きな影響を及ぼすと結論付けた。
• 参考スコア（独自算出の注目度）: 6.768414728059794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this research, we investigate methods for entity retrieval using graph embeddings. While various methods have been proposed over the years, most utilize a single graph embedding and entity linking approach. This hinders our understanding of how different graph embedding and entity linking methods impact entity retrieval. To address this gap, we investigate the effects of three different categories of graph embedding techniques and five different entity linking methods. We perform a reranking of entities using the distance between the embeddings of annotated entities and the entities we wish to rerank. We conclude that the selection of both graph embeddings and entity linkers significantly impacts the effectiveness of entity retrieval. For graph embeddings, methods that incorporate both graph structure and textual descriptions of entities are the most effective. For entity linking, both precision and recall concerning concepts are important for optimal retrieval performance. Additionally, it is essential for the graph to encompass as many entities as possible.
• Abstract（参考訳）: 本研究では,グラフ埋め込みを用いたエンティティ検索手法について検討する。 長年にわたり様々な方法が提案されてきたが、そのほとんどは単一のグラフ埋め込みとエンティティリンクアプローチを利用している。 これにより、異なるグラフの埋め込みとエンティティリンクメソッドがエンティティの検索にどのように影響するか、という理解が妨げられます。 このギャップに対処するために,3つの異なるグラフ埋め込み手法と5つの異なるエンティティリンク手法の効果について検討する。 アノテーション付きエンティティの埋め込みと、リランクしたいエンティティの間の距離を使用してエンティティのリランクを行う。 グラフ埋め込みとエンティティリンカの両方の選択は、エンティティ検索の有効性に大きな影響を及ぼすと結論付けた。 グラフ埋め込みでは、グラフ構造とエンティティのテキスト記述の両方を組み込む方法が最も効果的である。 エンティティリンクでは、最適検索性能には、概念に関する精度とリコールの両方が重要である。 さらに、グラフはできるだけ多くのエンティティを包含することが不可欠である。

関連論文リスト

• Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
  より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。 GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
  論文  参考訳（メタデータ） (2024-04-02T04:27:54Z)
• Visual Commonsense based Heterogeneous Graph Contrastive Learning [79.22206720896664]
  視覚的推論タスクをより良く仕上げるための異種グラフコントラスト学習法を提案する。 本手法はプラグイン・アンド・プレイ方式として設計されており,多種多様な代表手法と迅速かつ容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-11-11T12:01:18Z)
• PIE: a Parameter and Inference Efficient Solution for Large Scale Knowledge Graph Embedding Reasoning [24.29409958504209]
  PIE, textbfparameter および textbfinference textbfefficient ソリューションを提案する。 テンソル分解法から着想を得た結果, 要素埋め込み行列を低階行列に分解することで, パラメータの半数以上を削減できることがわかった。 モデル推論を高速化するために,よりきめ細かなエンティティタイピングのように見える自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2022-04-29T09:06:56Z)
• InterHT: Knowledge Graph Embeddings by Interaction between Head and Tail Entities [46.057990076620406]
  距離に基づく手法は,リンク予測タスクにおいて有望な性能を示す。 これらのメソッドのほとんどは、モデルキャパシティを制限するヘッドエンティティとテールエンティティを別々に表現している。 我々は,頭と尾のエンティティがよりよく相互作用し,より優れたエンティティ表現を得ることを可能にする,InterHTという新しい距離ベース手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T08:40:09Z)
• Knowledge Graph Embedding using Graph Convolutional Networks with Relation-Aware Attention [3.803929794912623]
  知識グラフ埋め込み法は、実体と関係の埋め込みを低次元空間で学習する。 さまざまな種類の情報を用いて実体と関係の特徴を学習する様々なグラフ畳み込みネットワーク手法が提案されている。 本稿では,関係情報を利用して隣接ノードの重み付けを計算し,エンティティと関係の埋め込みを学習する関係認識グラフ注意モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-14T17:19:44Z)
• Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
  グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。 人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。 意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
  論文  参考訳（メタデータ） (2021-01-26T08:19:03Z)
• 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)
• GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions [70.9481395807354]
  本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。 GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-05-12T03:46:15Z)
• Graph-Embedding Empowered Entity Retrieval [5.433946101943875]
  本論文は,グラフ埋め込みがエンティティ指向検索タスクに有用であることを示す。 本研究では,知識グラフから(グラフ)埋め込みへのエンコーディングが,単語埋め込みよりもエンティティ検索結果の有効性の向上に寄与することを示す。
  論文  参考訳（メタデータ） (2020-05-06T14:13:49Z)
• 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。