論文の概要: Term-Centric Hierarchy Induction from Heterogeneous Corpora
- arxiv url: http://arxiv.org/abs/2606.26963v1
- Date: Thu, 25 Jun 2026 12:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.281746
- Title: Term-Centric Hierarchy Induction from Heterogeneous Corpora
- Title（参考訳）: 不均一コーパスからの長期的階層化誘導
- Abstract要約: 本稿では,大規模文書コレクションにスケールする階層コーパスを誘導する用語中心のフレームワークを提案する。
提案手法は,文書を多種多様な情報源から自動用語抽出を用いて共有表現空間にマッピングする。
100万以上の文書からなる新しい英語とドイツ語のマルチソースベンチマーク実験により,我々の手法は,ソース間のコヒーレンスと階層的品質を向上することを示した。
- 参考スコア（独自算出の注目度）: 39.04226660046721
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Organizing knowledge from diverse text sources into interpretable hierarchies is crucial for tasks such as policy analysis, innovation monitoring, and exploratory domain mapping. Existing taxonomy induction methods typically rely on document-level representations that capture entire documents rather than the specific domain concepts relevant for knowledge organization, limiting their ability to generalize across heterogeneous sources. We propose a term-centric framework for inducing hierarchical taxonomies from heterogeneous corpora that scales to massive document collections. Our approach maps documents from diverse sources into a shared representation space using automatic term extraction, enabling robust cross-source alignment. Based on these representations, we construct interpretable hierarchies that integrate domain priors with datadriven clustering. Experiments on a novel English and German multi-source benchmark of over one million documents demonstrate that our method improves cross-source coherence and hierarchy quality over text- and summarybased baselines. A case study on German regional innovation analysis further demonstrates its practical utility for technology landscape mapping.
- Abstract（参考訳）: 多様なテキストソースからの知識を解釈可能な階層に整理することは、ポリシー分析、イノベーションモニタリング、探索的ドメインマッピングといったタスクに不可欠である。
既存の分類帰納法は、典型的には、知識組織に関連する特定のドメイン概念ではなく、文書全体をキャプチャする文書レベルの表現に依存し、異質な情報源をまたいで一般化する能力を制限する。
文書コレクションにスケールする異種コーパスから階層分類を誘導する用語中心のフレームワークを提案する。
提案手法は,文書を多種多様なソースから自動用語抽出により共有表現空間にマッピングすることで,堅牢なクロスソースアライメントを実現する。
これらの表現に基づいて、ドメイン先行とデータ駆動クラスタリングを統合する解釈可能な階層を構築する。
100万を超える文書を対象とした新しい英語とドイツ語のマルチソースベンチマーク実験により,本手法はテキストと要約に基づくベースラインよりも,ソース間のコヒーレンスと階層的品質を向上することを示した。
ドイツの地域イノベーション分析のケーススタディは、テクノロジーランドスケープマッピングの実用性をさらに証明している。
関連論文リスト
- W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases [9.232743201134792]
既存のRAGパイプラインは、複数のリポジトリから取得したエビデンスを、単一の類似関数を使用してグローバルにランク付けできると仮定している。
W-RAGは,オントロジー誘導検索,各知識ベース内の局所的ランキング,エビデンス組成を規定するソースレベルの重み付けを行う。
論文 参考訳（メタデータ） (2026-08-22T19:01:59Z) - OmniRetrieval: Unified Retrieval across Heterogeneous Knowledge Sources [67.62754856088591]
既存のレトリバーは、固定クエリ言語の下で一度に1つのソース上で動作します。
OmniRetrievalは、自然言語クエリを取り込み、適切な知識ソースを識別するフレームワークである。
論文 参考訳（メタデータ） (2026-05-28T02:10:35Z) - Learning Hierarchical Knowledge in Text-Rich Networks with Taxonomy-Informed Representation Learning [16.211492894357473]
本稿では,まず暗黙的な階層型分類を構築し,それを学習ノード表現に統合するTIERを提案する。
細粒度と粗粒度のセマンティクスをエンコードする表現を学習することにより、TIERは現実世界のテキストリッチネットワーク(TRN)のより解釈可能で構造化されたモデリングを可能にする。
提案手法は, 多様な領域にまたがる複数のデータセットにおいて, 既存の手法を著しく上回っていることを示す。
論文 参考訳（メタデータ） (2026-03-09T09:40:18Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。
LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-23T15:12:58Z) - PosterForest: Hierarchical Multi-Agent Collaboration for Scientific Poster Generation [28.02969134846803]
文書構造と視覚的・テキスト的関係を共同で符号化する階層型中間表現であるtextitPoster Tree を導入する。
本フレームワークでは,コンテンツ要約とレイアウト計画を専門とするエージェントが反復的に協調し,相互にフィードバックを提供するマルチエージェント協調戦略を採用している。
論文 参考訳（メタデータ） (2025-08-29T15:36:06Z) - Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。
このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
論文 参考訳（メタデータ） (2025-05-26T14:45:12Z) - Your Next State-of-the-Art Could Come from Another Domain: A Cross-Domain Analysis of Hierarchical Text Classification [13.210645250173997]
階層ラベルを用いたテキスト分類は、自然言語処理において一般的で困難な課題である。
我々は、最先端の手法を実証分析した最初の包括的クロスドメイン概要を提供する。
論文 参考訳（メタデータ） (2024-12-17T10:08:57Z) - Data-driven Coreference-based Ontology Building [48.995395445597225]
参照解決は、伝統的に個々の文書理解のコンポーネントとして使用される。
よりグローバルな視点で、すべてのドキュメントレベルのコア参照関係から、ドメインについて何が学べるかを探求します。
コードとともに、クリエイティブ・コモンズライセンスの下でコア参照チェーンをリリースします。
論文 参考訳（メタデータ） (2024-10-22T14:30:40Z) - Leveraging Collection-Wide Similarities for Unsupervised Document Structure Extraction [61.998789448260005]
本稿では,コレクション内の文書の典型的構造を特定することを提案する。
任意のヘッダのパラフレーズを抽象化し、各トピックを各ドキュメントのロケーションにグルーピングします。
文書間の類似性を利用した教師なしグラフベース手法を開発した。
論文 参考訳（メタデータ） (2024-02-21T16:22:21Z) - Document AI: A Comparative Study of Transformer-Based, Graph-Based
Models, and Convolutional Neural Networks For Document Layout Analysis [3.231170156689185]
Document AIは、自然言語処理とコンピュータビジョン技術を活用して、文書を自動的に分析することを目的としている。
Document AIの主要なタスクの1つはドキュメントレイアウト分析であり、レイアウト、画像、テキストの内容と空間的関係を解釈することでドキュメントページを構造化する。
論文 参考訳（メタデータ） (2023-08-29T16:58:03Z) - Advancing Topic Segmentation and Outline Generation in Chinese Texts: The Paragraph-level Topic Representation, Corpus, and Benchmark [44.06803331843307]
段落レベルのトピック構造は、ドキュメント全体のコンテキストをより高いレベルから把握し、理解することができる。
大規模で高品質な中国語段落レベルの話題構造コーパスの欠如は研究や応用を妨げた。
コーパス構築を導くために,3層からなる階層的な段落レベルのトピック構造表現を提案する。
2段階のマンマシン・コラボレーティブ・アノテーションを用いて,中国最大規模のトピック構造コーパスを構築する。
論文 参考訳（メタデータ） (2023-05-24T06:43:23Z)
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。