論文の概要: Event Ontology Expansion via LLM-Based Conceptualization

• arxiv url: http://arxiv.org/abs/2606.21048v1
• Date: Fri, 19 Jun 2026 02:28:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:34:41.440753
• Title: Event Ontology Expansion via LLM-Based Conceptualization
• Title（参考訳）: LLMに基づく概念化による事象オントロジーの拡張
• Authors: Weicheng Ren, Zixuan Li, Long Bai, Xiaolong Jin, Jiafeng Guo, Xueqi Cheng,
• Abstract要約: ConceptEはイベントオントロジー拡張のための概念化強化フレームワークである。 より一貫性のあるイベントクラスタリング、信頼性の高い階層拡張、オントロジーに一貫性のある型命名をサポートする。 BCubed-F1はイベントクラスタリングで最大12.37%、Taxo_F1は6.48%の改善を実現している。
• 参考スコア（独自算出の注目度）: 73.73649842373739
• License:
• Abstract: Event ontology expansion aims to discover emerging event types from data and extend them to appropriate positions in the existing event ontology.. Existing methods typically cluster contextualized trigger representations and attach induced clusters to the ontology based on instance-level similarity. However, ontology expansion requires concept-level semantics that characterize event types, whereas contextualized trigger representations often conflate these semantics with surface contextual variation, leading to unstable clustering and unreliable hierarchy expansion. To address this issue, we propose ConceptE, a conceptualization-enhanced framework for event ontology expansion. ConceptE first derives concept-level semantics by prompting an LLM with the sentence and event trigger, producing a concise concept name and a natural-language description. It then jointly encodes these semantics with trigger information to build concept-enhanced representations aligned with ontology-level reasoning. This representation design supports more coherent event clustering, more reliable hierarchy expansion, and ontology-consistent type naming. Experiments on ACE, ERE, and MAVEN demonstrate that ConceptE consistently outperforms state-of-the-art approaches across all subtasks of event ontology expansion. In particular, it achieves improvements of up to 12.37\% in BCubed-F1 for event clustering and 6.48\% in Taxo\_F1 for hierarchy expansion, demonstrating the effectiveness of the proposed ConceptE method.
• Abstract（参考訳）: イベントオントロジーの拡張は、データから出現するイベントタイプを発見し、既存のイベントオントロジーにおける適切な位置まで拡張することを目的としている。 と。 既存のメソッドは通常、コンテキスト化されたトリガ表現をクラスタ化し、インスタンスレベルの類似性に基づいて、誘発されたクラスタをオントロジーにアタッチする。 しかし、オントロジーの拡張はイベントタイプを特徴付ける概念レベルの意味論を必要とするが、文脈化されたトリガー表現はしばしばこれらの意味論を表面的な文脈変化と説明し、不安定なクラスタリングと信頼性の低い階層展開をもたらす。 本稿では,イベントオントロジー拡張のための概念化強化フレームワークであるConceptEを提案する。 ConceptEはまず、LLMに文とイベントトリガーを付けることで概念レベルの意味論を導き、簡潔な概念名と自然言語記述を生成する。 その後、これらのセマンティクスをトリガー情報と共同でエンコードし、オントロジーレベルの推論と整合した概念強化表現を構築する。 この表現設計は、より一貫性のあるイベントクラスタリング、より信頼性の高い階層拡張、オントロジーに一貫性のある型命名をサポートする。 ACE、ERE、MAVENの実験では、ConceptEはイベントオントロジー拡張のすべてのサブタスクにおいて、常に最先端のアプローチよりも優れていることを示した。 特に、イベントクラスタリングのB BCubed-F1では最大12.37\%、階層拡張のTaxo\_F1では6.48\%の改善を実現し、提案したConceptE法の有効性を実証している。

関連論文リスト

• Beyond Statistical Co-occurrence: Unlocking Intrinsic Semantics for Tabular Data Clustering [52.97486694817375]
  本稿では,TagCC(Tabular-Augmented Contrastive Clustering)を提案する。 TagCCは、セマンティック・アウェア・トランスフォーメーションを通じて、基礎となるデータセマンティクスをテキストアンカーに蒸留する。 クラスタリングの目的と共同で最適化されており、学習した表現がセマンティックに一貫性があり、クラスタリングに親しみやすいことを保証する。
  論文  参考訳（メタデータ） (2026-04-13T00:25:22Z)
• Explaining, Verifying, and Aligning Semantic Hierarchies in Vision-Language Model Embeddings [10.299190830046872]
  本稿では,VLMによって誘発されるセマンティック階層を,特定の子クラスに対して説明し,検証し,調整するためのポストホックフレームワークを提案する。 我々は,効率的な木認識とエッジレベルの整合性尺度を用いて,抽出した木と人間の検索を比較して妥当性を定量化し,説明可能な階層木トラバース推定による有用性を評価する。
  論文  参考訳（メタデータ） (2026-03-26T00:38:38Z)
• Scaling Dense Event-Stream Pretraining from Visual Foundation Models [112.44243079477137]
  我々は,視覚基礎モデル(VFM)を蒸留して,イベント表現の境界を大規模に推し進める,新しい自己教師型事前学習手法をローンチする。 我々は、クロスモーダルアライメントを増幅するために、広範に同期された画像イベントコレクションをキュレートする。 VFMによって提供されるセマンティックな構造にアライメントの目的を拡張し、より広い受容領域とより強い監督力を示す。
  論文  参考訳（メタデータ） (2026-03-04T12:06:09Z)
• Semantic Structure Enhanced Event Causality Identification [57.26259734944247]
  事象因果同定(ECI)は、非構造化テキスト中の事象間の因果関係を特定することを目的としている。 既存の方法は、イベント中心構造とイベント関連構造という、ECIタスクに不可欠な2種類の意味構造を過小評価する。
  論文  参考訳（メタデータ） (2023-05-22T07:42:35Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Semantically-informed Hierarchical Event Modeling [14.00844847268286]
  本稿では,2つの階層的な半教師付きイベントモデリングフレームワークを提案する。 提案手法は,各層が前の層を圧縮・抽象化する,構造化潜在変数の複数の層から構成される。 我々は,従来の最先端アプローチを最大8.5%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2022-12-20T18:51:23Z)
• Decomposing and Recomposing Event Structure [4.270553193574436]
  これをrole、entity type、event-level semantic graphと共同で導入する。 従来の理論的動機付けされた文書レベルの生成モデルと密接に一致した型群を同定する。
  論文  参考訳（メタデータ） (2021-03-18T17:16:43Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)

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。