論文の概要: Reading the Neighborhood: Text-Attentive Graph Reranking for Automated Subject Indexing

• arxiv url: http://arxiv.org/abs/2610.20048v1
• Date: Wed, 14 Oct 2026 11:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.129844
• Title: Reading the Neighborhood: Text-Attentive Graph Reranking for Automated Subject Indexing
• Title（参考訳）: 近隣の読み書き:自動主観的索引付けのためのテキスト注意グラフ
• Abstract要約: そこで本論文では,検索候補の文書ごとのグラフリランカであるTAGHNについて紹介する。 分解されたスコアリングヘッドは、解釈可能なグラフ由来の特徴と検索信号とを結合する。 STWでは、6,198個のディスクリプタの経済的シソーラスにおいて、TAGHNは細調整されたクロスエンコーダの0.346に対して0.380個のマクロF1に達する。
• 参考スコア（独自算出の注目度）: 2.773656427800411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subject indexing assigns descriptors from a controlled vocabulary to bibliographic records, a task characterized by thousands of labels, few positive examples per label, and a long tail of rarely used descriptors. Existing extreme multi-label classifiers treat the vocabulary as a flat list, ignoring the semantic relations that thesauri encode. We present TAGHN, a heterogeneous graph reranker over a per-document subgraph of retrieved candidates augmented with the thesaurus neighborhood. The relevance of a candidate descriptor is estimated jointly from its similarity with the document and also the degree to which the candidate's thesaurus neighborhood matches the document content. A decomposed scoring head combines interpretable graph-derived features with retrieval signals. On STW, an economic thesaurus of 6,198 descriptors, TAGHN reaches 0.380 macro F1 against 0.346 for a fine-tuned cross-encoder and 0.278 for a fixed-vocabulary XMLC classifier. In terms of micro F1, it outperforms reranking models and stays competitive (-3.0) with the best fixed-vocabulary XMLC model. Qualitative analysis shows the graph resolving errors that per-label scoring cannot, selecting a narrower gold descriptor where an unstructured reranker settles for its broader parent.
• Abstract（参考訳）: 主題索引付けは、制御された語彙から書誌記録に記述子を割り当て、何千ものラベルで特徴づけられるタスク、ラベルごとに肯定的な例がほとんどなく、稀に使われる記述子の長い尾を割り当てる。 既存の極端なマルチラベル分類器は、語彙をフラットリストとして扱い、セサウリがエンコードする意味的関係を無視している。 そこで本論文では,テサウルス近傍で拡張された検索候補の文書単位のグラフ再帰グラフであるTAGHNについて述べる。 候補記述子の関連性は、文書と類似していることと、候補のシソーラス近傍が文書の内容と一致する程度とから推定される。 分解されたスコアリングヘッドは、解釈可能なグラフ由来の特徴と検索信号とを結合する。 STWでは、6,198個の記述子からなる経済的なシソーラスにおいて、TAGHNは細調整されたクロスエンコーダの0.346に対して0.380個のマクロF1、固定語彙XMLC分類器の0.278に達する。 マイクロF1に関しては、リグレードモデルより優れており、最高の固定語彙XMLCモデルと競合する(-3.0)。 定性的な分析は、ラベルごとのスコアリングができない誤りを解消するグラフを示し、構造化されていないリランカーがより広い親のために落ち着くより狭い金のディスクリプタを選択する。

関連論文リスト

• Does Syntax Matter? A Graph-Augmented Variational Topic Model for Computational Social Sciences [51.56484100374058]
  本稿では、構文依存関係をトピック推論に組み込んだアーキテクチャである、構造的文脈確率的トピックモデル(SCPTM)を紹介する。 本研究では,レジスタ構造と談話構造が異なる4つのコーパスのトピックモデリング手法について検討した。 その結果, SCPTMのニューラルアーキテクチャは, 生成的ベースラインよりも文書・トピックアライメントが著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2026-09-07T17:39:06Z)
• GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration [24.90363787327649]
  生成検索は文書識別子を直接生成する。 これら4つの面がエッジをタイプしたグラフに、論文を接続する。 11,359のNLP論文からなる構築コーパスであるLitWeaveでは、グラフ教師のRecall@20の91%を、推論時に最寄りのインデックスやエンコーダなしでリカバリしています。
  論文  参考訳（メタデータ） (2026-08-23T12:07:00Z)
• Ranking-based Fusion Algorithms for Extreme Multi-label Text Classification (XMTC) [7.817991268974576]
  XMTC(Extreme Multi-label Text Classification)においてラベルの長期分布は重要な課題である ラベルは、頻繁で高被覆のtextbfhead ラベルと頻繁で低被覆の textbftail ラベルに大別できる。 Sparse retrieverは高次元のbag-of-words表現に基づいて関連度スコアを計算し、Sparse retrieverは密接なテキストとラベルを共有埋め込み空間内に埋め込むANNアルゴリズムを利用する。 ランクベース融合アルゴリズムは、スパースレトリバーの正確なマッチング能力とセマンティックリッチネスを組み合わせ、これらの差を利用した。
  論文  参考訳（メタデータ） (2025-07-04T18:17:52Z)
• Integrating Bidirectional Long Short-Term Memory with Subword Embedding for Authorship Attribution [2.3429306644730854]
  マニフォールド語に基づくスタイリスティックマーカーは、著者帰属の本質的な問題に対処するために、ディープラーニング手法でうまく使われてきた。 提案手法は,CCAT50,IMDb62,Blog50,Twitter50の公営企業における最先端手法に対して実験的に評価された。
  論文  参考訳（メタデータ） (2023-06-26T11:35:47Z)
• Text Summarization with Oracle Expectation [88.39032981994535]
  抽出要約は、文書の中で最も重要な文を識別し、連結することによって要約を生成する。 ほとんどの要約データセットは、文書文が要約に値するかどうかを示す金のラベルを持っていない。 本稿では,ソフトな予測に基づく文ラベルを生成する,シンプルで効果的なラベル付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:10:08Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Hierarchical Heterogeneous Graph Representation Learning for Short Text Classification [60.233529926965836]
  短文分類のためのグラフニューラルネットワーク(GNN)に基づく ShiNE と呼ばれる新しい手法を提案する。 まず,短文データセットを単語レベル成分グラフからなる階層的不均一グラフとしてモデル化する。 そして、類似した短いテキスト間の効果的なラベル伝搬を容易にするショート文書グラフを動的に学習する。
  論文  参考訳（メタデータ） (2021-10-30T05:33:05Z)
• Towards Document-Level Paraphrase Generation with Sentence Rewriting and Reordering [88.08581016329398]
  文書レベルのパラフレーズ生成のためのCoRPG(Coherence Relation Guided Paraphrase Generation)を提案する。 グラフGRUを用いて、コヒーレンス関係グラフを符号化し、各文のコヒーレンス対応表現を得る。 我々のモデルは、より多様性とセマンティックな保存を伴う文書パラフレーズを生成することができる。
  論文  参考訳（メタデータ） (2021-09-15T05:53:40Z)
• Label Enhanced Event Detection with Heterogeneous Graph Attention Networks [7.13278850115938]
  Event Detection (ED)は、テキスト内の特定の種類のイベントトリガーのインスタンスを認識することを目的としている。 ラベル拡張ヘテロジニアスグラフ注意ネットワーク(L-HGAT)という新しいアーキテクチャを提案する。 具体的には、各文をグラフに変換し、文字ノードとワードノードを異なるタイプのエッジで接続する。 異種グラフアテンションネットワークを導入し、リレーショナルメッセージを伝達し、情報相互作用を強化する。
  論文  参考訳（メタデータ） (2020-12-03T12:49:22Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)
• Fine-Grained Named Entity Typing over Distantly Supervised Data Based on Refined Representations [16.30478830298353]
  Fine-Grained Named Entity Typing (FG-NET) は自然言語処理(NLP)の鍵となるコンポーネントである 本稿では,コーパスレベルの文脈的手がかりをエンド分類に先立ち,ノイズの多い参照表現を洗練させるエッジ重み付き注意グラフ畳み込みネットワークを提案する。 実験により,提案モデルではマクロf1とマイクロf1の相対スコアが10.2%,マクロf1が8.3%であった。
  論文  参考訳（メタデータ） (2020-04-07T17:26:36Z)

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。