論文の概要: SCODEL: Shared Canonical Ontology Definitions for Food Entity Linking and Ontology-Grounded Recipe Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2610.27637v1
- Date: Tue, 20 Oct 2026 05:02:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.640069
- Title: SCODEL: Shared Canonical Ontology Definitions for Food Entity Linking and Ontology-Grounded Recipe Knowledge Graphs
- Title（参考訳）: SCODEL:食品エンティティリンクとオントロジーを取り巻くレシピ知識グラフのための共有標準オントロジー定義
- Abstract要約: SCODELは文脈的食品言及やオントロジーの概念のモデルに依存しないアプローチである。
ReciLinkDは、レシピにおけるコンテキスト的食品エンティティリンクの最初のベンチマークである。
- 参考スコア（独自算出の注目度）: 7.456310714633879
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Identifying recipe entities and linking them to ontology concepts is fundamental for semantic recipe understanding. However, food mentions in recipes are often ambiguous, context-dependent, and lexically diverse, making ontology entity linking (EL) challenging. We propose SCODEL, a streamlined, model-agnostic approach based on a central idea: contextual food mentions and ontology concepts that refer to the same entity should learn the same canonical ontology-oriented definition. SCODEL uses these shared definitions as a semantic normalisation layer, providing complementary semantic information to existing EL models without requiring a new linking architecture. We further introduce ReciLinkD, the first benchmark for contextual food ontology entity linking in recipes. Experiments show that SCODEL consistently improves three modular EL models (ReFinED, GSM-EL, and BLINK): SCODEL x BLINK achieves the highest Hit@1 on seen concepts (88.33%), while SCODEL x GSM-EL achieves the highest Hit@1 on unseen concepts (83.15%), outperforming the strongest large language model (LLM) based EL baseline in each setting. Experiments on a biomedical ontology benchmark further demonstrate that SCODEL generalises beyond the food domain. Finally, we use SCODEL to ground food mentions at scale and construct an ontology-grounded recipe knowledge graph, demonstrating its utility for ontology-aware recipe retrieval and corpus-level food analysis.
- Abstract（参考訳）: レシピエンティティを識別し、オントロジーの概念にリンクすることは、セマンティックレシピの理解に不可欠である。
しかしながら、レシピにおける食品の言及は曖昧で、文脈に依存し、語彙的に多様であり、オントロジーの実体リンク(EL)は困難である。
我々は,同じ実体を参照する文脈的食品言及やオントロジーの概念は,同じ標準オントロジー指向の定義を学習すべきである,という中心的な考え方に基づく,合理化されたモデルに依存しないアプローチであるSCODELを提案する。
SCODELはこれらの共有定義を意味的正規化層として使用し、新しいリンクアーキテクチャを必要としない既存のELモデルに補完的な意味情報を提供する。
さらに、レシピにリンクするコンテキスト食品オントロジーエンティティの最初のベンチマークであるReciLinkDを紹介します。
SCODEL x BLINKは最も高いHit@1(88.33%)を達成し、SCODEL x GSM-ELは最も高いHit@1(83.15%)を達成し、それぞれの設定において最強の大規模言語モデル(LLM)ベースのELベースラインを上回っている。
バイオメディカルオントロジーベンチマークの実験は、SCODELが食品領域を超えて一般化することをさらに証明している。
最後に、SCODELを用いて、大規模に食品の言及を根拠に、オントロジーを基盤としたレシピ知識グラフを構築し、オントロジーを意識したレシピ検索とコーパスレベルの食品分析に有用であることを実証した。
関連論文リスト
- ReGraph: Learning to Generate Recipe Graphs from Food Images [70.27418607642029]
ReGraphは、材料、調理行動、ツールをエンティティとして表現する大規模なレシピグラフデータセットである。
本稿では,LMMが食品画像からよりきめ細かな調理ワークフローを生成できる2段階のフレームワークであるレシピグラフ学習(RGL)を提案する。
論文 参考訳（メタデータ） (2026-08-07T07:51:08Z) - Beyond Fine-Tuning: Robust Food Entity Linking under Ontology Drift with FoodOntoRAG [3.6073664126704537]
本稿では,ドメインオンラグからNELエンティティを抽出するモデル診断パイプラインを提案する。
パイプラインは、既存のアノテーションのギャップと矛盾を明らかにする最先端の精度にアプローチする。
この設計は微調整を回避し、進化に対する堅牢性を改善し、基礎的な正当化を通じて解釈可能な決定をもたらす。
論文 参考訳（メタデータ） (2026-03-10T14:57:34Z) - LLMs-based Augmentation for Domain Adaptation in Long-tailed Food Datasets [54.527878056610156]
食品認識におけるこれらの課題に対処するために,大規模言語モデル(LLM)を用いた枠組みを提案する。
まず LLM を利用して食品イメージを解析し,食品のタイトルや材料を生成する。
そして、生成したテキストと食品の画像を異なるドメインから共有埋め込み空間に投影し、ペアの類似性を最大化する。
論文 参考訳（メタデータ） (2025-11-20T04:38:56Z) - FoodSEM: Large Language Model Specialized in Food Named-Entity Linking [4.7696209609483]
FoodSEMは、NEL(Non-entity Linking)と食品関連のオープンソース言語モデルのための、最先端の微調整された大型モデルである。
FoodSEMは、関連するモデルやシステムと比較して、最先端のパフォーマンスのモデルを実現している。
論文 参考訳（メタデータ） (2025-09-26T09:47:35Z) - SalientFusion: Context-Aware Compositional Zero-Shot Food Recognition [4.982130518684668]
合成ゼロショット食品認識(CZSFR)の課題を提案する。
冗長な背景情報は、モデルが意味のある食品の特徴を学習することを妨げる。
主食と副菜の間の役割の混同は、誤分類につながる。
単一の属性における科学者のバイアスは、理解の混乱につながる可能性がある。
論文 参考訳（メタデータ） (2025-09-04T04:22:36Z) - 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) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z) - Learning Structural Representations for Recipe Generation and Food
Retrieval [101.97397967958722]
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
提案モデルは高品質でコヒーレントなレシピを作成でき、ベンチマークRecipe1Mデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-10-04T06:36:31Z) - Cross-modal Retrieval and Synthesis (X-MRS): Closing the modality gap in
shared subspace [21.33710150033949]
本稿では,食品画像からレシピへの検索問題に対処するために,共有サブスペース学習のためのシンプルで斬新なアーキテクチャを提案する。
公開Recipe1Mデータセットの実験的解析により,提案手法を用いて学習した部分空間が,現在の最先端技術よりも優れていることが示された。
学習した部分空間の表現力を示すために,レシピの埋め込みを前提とした生成食品画像合成モデルを提案する。
論文 参考訳（メタデータ） (2020-12-02T17:27:00Z) - Structure-Aware Generation Network for Recipe Generation from Images [142.047662926209]
食品画像と材料のみに基づいて調理指導を行うオープン・リサーチ・タスクについて検討する。
ターゲットレシピは長い段落であり、構造情報に関する注釈を持たない。
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-02T10:54:25Z) - A Named Entity Based Approach to Model Recipes [9.18959130745234]
本稿では,この一様構造におけるレシピの最良の表現を推論するパイプラインだけでなく,レシピを正確に表現できる構造を提案する。
レシピのingredientsセクションは通常、必要な材料と、量、温度、処理状態などの対応する属性をリストアップする。
指示部は、これらの器具や具材に調理技術や工程を適用する一連の事象を列挙する。
論文 参考訳（メタデータ） (2020-04-25T16:37:26Z)
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。