論文の概要: Learning to structure data from user-generated thematic corpora

• arxiv url: http://arxiv.org/abs/2610.01463v1
• Date: Thu, 01 Oct 2026 10:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.069816
• Title: Learning to structure data from user-generated thematic corpora
• Title（参考訳）: ユーザ生成テーマコーパスからのデータ構造学習
• Abstract要約: ソーシャルメディアコーパスには構造化可能なデータを記述する構造化されていないテキストが含まれている。 本稿では,ドメイン固有の属性スキーマの発見と投入のための,完全に自動化された反復的フレームワークを提案する。 この枠組みを5つの健康関連Redditコミュニティで評価した。
• 参考スコア（独自算出の注目度）: 0.38233569758620045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thematic corpora, such as social media communities, contain unstructured text describing data that could be made structured. These include, for example, personal attributes, behaviors, and experiences mentioned in social media data. Extracting structured data is challenging as relevant attributes are often implicit, domain-dependent, and unknown in advance. We propose a fully automated, iterative framework for discovering and extracting domain-specific attribute schemas without a predefined ontology. Using large language models (LLMs), the framework induces candidate attributes, sequentially consolidates semantically overlapping attributes, and assigns a structural type. These enable creating an ontology and populating it with values from the corpus. The framework also enables the use of smaller LLMs for value extraction with estimable accuracy loss compared to large LLMs. We evaluate the framework on 5 health-related Reddit communities. Discovered attributes achieved 61% agreement with human-identified attributes, close to the 62% agreement between independent annotators. In most cases, the algorithm converges to a stable attribute set in fewer than 10 iterations. Structural type assignment achieves 82% accuracy, and value extraction reaches an F1 score of 0.8 compared to human annotations. Across four LLM families, smaller instruction-tuned models show statistically significant improvements in extraction performance with model scale when evaluated against a high-capacity reference LLM, supporting informed accuracy-cost trade-offs. These results show that attributes comparable to those identified by humans can be discovered automatically, enabling the creation of high-quality structured datasets economically and at scale. By removing the need for predefined ontologies, iterative model-driven schema induction offers a practical and scalable foundation for mining thematic corpora.
• Abstract（参考訳）: ソーシャルメディアコミュニティのようなテーマコーパスには、構造化可能なデータを記述する構造化されていないテキストが含まれている。 例えば、個人属性、行動、ソーシャルメディアデータで言及されている経験などである。 構造化データの抽出は、関連する属性が暗黙的、ドメインに依存し、事前に不明であるため、難しい。 本稿では,事前定義されたオントロジーを使わずにドメイン固有の属性スキーマを発見し抽出するための,完全に自動化された反復的フレームワークを提案する。 大規模言語モデル(LLM)を使用して、フレームワークは候補属性を誘導し、セマンティックに重複する属性を順次統合し、構造型を割り当てる。 これらはオントロジーを作成し、コーパスの値でそれをポップアップさせる。 このフレームワークは、大きなLLMに比べて精度の低下が推定可能な値抽出に、小さいLLMを使用することもできる。 この枠組みを5つの健康関連Redditコミュニティで評価した。 発見属性は、独立アノテータ間の62%の合意に近く、人間識別属性と61%の合意に達した。 ほとんどの場合、アルゴリズムは10イテレーション未満で安定な属性集合に収束する。 構造型代入は82%の精度を実現し、値抽出は人間のアノテーションと比較して0.8のF1スコアに達する。 4つのLLMファミリに対して,より小型の命令調整モデルでは,高容量のLLMに対して評価した場合の抽出性能が統計的に有意に向上し,精度・コストのトレードオフが得られた。 これらの結果は、人間によって特定された属性に匹敵する属性を自動的に発見し、経済的・大規模に高品質な構造化データセットを作成することができることを示している。 事前定義されたオントロジーの必要性を取り除くことで、反復的モデル駆動スキーマ誘導は、テーマコーパスをマイニングするための実用的でスケーラブルな基盤を提供する。

関連論文リスト

• Beyond Accuracy: Characterizing Code Comprehension Capabilities in (Large) Language Models [4.841487377596519]
  本稿では,Large Language Modelsのコード理解性能が従来の人間中心のソフトウェアメトリクスと一致しているかを検討する。 コード理解をバイナリインプット・アウトプット整合性タスクとして再編成する診断フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-01-19T10:58:24Z)
• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• SCAN: Structured Capability Assessment and Navigation for LLMs [54.54085382131134]
  textbfSCAN (Structured Capability Assessment and Navigation) は、大規模言語モデルの詳細な特徴付けを可能にする実用的なフレームワークである。 SCANには4つの重要なコンポーネントが含まれている。 TaxBuilder – クエリから機能表示タグを抽出して階層的な分類構造を構築する。 RealMixは、各機能タグに対する十分な評価データを保証するクエリ合成とフィルタリングのメカニズムである。 PC$2$ベースのLCM-as-a-Judge法は従来のLCM-as-a-Judge法と比較して大幅に精度が向上する
  論文  参考訳（メタデータ） (2025-05-10T16:52:40Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Feature construction using explanations of individual predictions [0.0]
  本稿では,予測モデルのインスタンスベース説明の集約に基づく探索空間の削減手法を提案する。 これらのグループに対する探索の削減が特徴構築の時間を大幅に短縮することを実証的に示す。 いくつかの分類器の分類精度を大幅に向上させ,大規模データセットにおいても提案する特徴構築の実現可能性を示した。
  論文  参考訳（メタデータ） (2023-01-23T18:59:01Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)
• Interpretable and Low-Resource Entity Matching via Decoupling Feature Learning from Decision Making [22.755892575582788]
  Entity Matchingは、同じ現実世界のオブジェクトを表すエンティティレコードを認識することを目的としている。 異種情報融合(HIF)とキー属性ツリー(KAT)誘導からなる新しいEMフレームワークを提案する。 提案手法は効率が高く,ほとんどの場合SOTA EMモデルより優れている。
  論文  参考訳（メタデータ） (2021-06-08T08:27:31Z)
• AttriMeter: An Attribute-guided Metric Interpreter for Person Re-Identification [100.3112429685558]
  Person ReIDシステムは、2人とのマッチング時にのみ距離や類似性を提供します。 CNN ベースの ReID モデルの結果を意味的に,定量的に説明する Attribute-Guided Metric Interpreter を提案する。
  論文  参考訳（メタデータ） (2021-03-02T03:37:48Z)

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。