論文の概要: Analyzing the Influence of Knowledge Graph Information on Relation Extraction

• arxiv url: http://arxiv.org/abs/2506.16343v1
• Date: Thu, 19 Jun 2025 14:21:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.109451
• Title: Analyzing the Influence of Knowledge Graph Information on Relation Extraction
• Title（参考訳）: 関係抽出における知識グラフ情報の影響の分析
• Authors: Cedric Möller, Ricardo Usbeck,
• Abstract要約: 我々は複数のデータセットで実験を行い、それぞれが関係の数、トレーニング例、基礎となる知識グラフなどによって異なる。 その結果,知識グラフ情報の統合は性能を著しく向上させることがわかった。 我々は,知識グラフに基づく特徴量の寄与を,既存の関係抽出手法とグラフ対応ニューラルベルマン・フォードネットワークを組み合わせることで評価する。
• 参考スコア（独自算出の注目度）: 6.731053352452566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We examine the impact of incorporating knowledge graph information on the performance of relation extraction models across a range of datasets. Our hypothesis is that the positions of entities within a knowledge graph provide important insights for relation extraction tasks. We conduct experiments on multiple datasets, each varying in the number of relations, training examples, and underlying knowledge graphs. Our results demonstrate that integrating knowledge graph information significantly enhances performance, especially when dealing with an imbalance in the number of training examples for each relation. We evaluate the contribution of knowledge graph-based features by combining established relation extraction methods with graph-aware Neural Bellman-Ford networks. These features are tested in both supervised and zero-shot settings, demonstrating consistent performance improvements across various datasets.
• Abstract（参考訳）: 本稿では,知識グラフ情報の導入が関係抽出モデルの性能に与える影響について検討する。 我々の仮説は、知識グラフ内のエンティティの位置が関係抽出タスクに重要な洞察を与えるというものである。 我々は複数のデータセットで実験を行い、それぞれが関係の数、トレーニング例、基礎となる知識グラフなどによって異なる。 その結果、知識グラフ情報の統合は、特に関係のトレーニング例数の不均衡に対処する場合、パフォーマンスを著しく向上させることが示された。 我々は,知識グラフに基づく特徴量の寄与を,既存の関係抽出手法とグラフ対応ニューラルベルマン・フォードネットワークを組み合わせることで評価する。 これらの機能は教師付き設定とゼロショット設定の両方でテストされ、さまざまなデータセットで一貫したパフォーマンス改善が示されている。

関連論文リスト

• Graph Neural Network-Based Entity Extraction and Relationship Reasoning in Complex Knowledge Graphs [1.5998200006932823]
  本研究では,グラフニューラルネットワークに基づく知識グラフ実体抽出と関係推論アルゴリズムを提案する。 本稿では、エンドツーエンドのジョイントモデルを構築することにより、エンティティと関係の効率的な認識と推論を実現する。
  論文  参考訳（メタデータ） (2024-11-19T16:23:49Z)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。 本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
  本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。 画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。 多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-12T04:41:23Z)
• Rule-Guided Joint Embedding Learning over Knowledge Graphs [6.831227021234669]
  本稿では,コンテキスト情報とリテラル情報の両方を実体と関係埋め込みに組み込んだ新しいモデルを提案する。 文脈情報については,信頼度と関連度を指標として重要度を評価する。 2つの確立されたベンチマークデータセットに対して、徹底的な実験を行い、モデル性能を検証する。
  論文  参考訳（メタデータ） (2023-12-01T19:58:31Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Knowledge-Enhanced Relation Extraction Dataset [8.612433805862619]
  現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。 知識強化関係抽出データセット(KERED)について紹介する。 KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
  論文  参考訳（メタデータ） (2022-10-19T13:23:10Z)
• An Empirical Investigation of Commonsense Self-Supervision with Knowledge Graphs [67.23285413610243]
  大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。 本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
  論文  参考訳（メタデータ） (2022-05-21T19:49:04Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• 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)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Affinity Graph Supervision for Visual Recognition [35.35959846458965]
  親和性グラフにおける重みの学習を指導する原理的手法を提案する。 我々の親和性監視は、手動でアノテートされた関係ラベルがなくても、オブジェクト間の関係回復を改善する。 我々は、ニューラルネットワークトレーニングのために、ミニバッチから構築されたグラフにも親和性学習を適用することができることを示した。
  論文  参考訳（メタデータ） (2020-03-19T23:52:51Z)

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。