文献

J-GLOBAL ID：202002272837051859   整理番号：20A0904732

Wikipediaにおける主要記事とサブ記事の識別のための学習【JST・京大機械翻訳】

Learning to Differentiate Between Main-articles and Sub-articles in Wikipedia

著者 (4件)： Chen Muhao (University of California,Department of Computer Science,Los Angeles) ,  Meng Changping (Purdue University,West Lafayette) ,  Huang Gang (Google Inc,Mountain View) ,  Zaniolo Carlo (University of California,Department of Computer Science,Los Angeles)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： Big Data  ページ： 1442-1449  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 現在のWikipedia編集アプローチは,典型的には,エンティティの様々な側面とサブトピックを記述する複数のサブ論文によって補完された1つの主要な論文によって,名前をつけられたエンティティを要約する。このような論文の分離は,コンテンツに富むWikipediaエンティティのカーネーションを改善することを目的としている。しかしながら,広い範囲のWikipeaベースの技術は,実体(または概念)とこれらの実体を記述する論文の間の1対1のマッピングを必要とする,概念の仮定に決定的に依存している。したがって,現在の編集は知識表現に混乱と曖昧さを与えて,下流技術の広い範囲に問題を引き起こす。本論文では,実体表現のコアではないサブ論文から主要論文を区別することにより,これらの問題を解決するアプローチを提示した。Wikipedia論文の2つのファセット上で学習するハイブリッドニューラル記事モデルを提案した。(i)2つの神経文書符号器は,論文タイトルとテキストコンテンツから潜在的意味特徴を獲得する。(ii)明示的特徴測度の集合と各論文の記号的および構造的側面を特徴付ける。本研究では,特徴抽出のための大きな注釈付きデータセットを作成し,多様な符号化技術と学習構造を評価するために,クラウド消費を用いた。得られた最適化されたモデルは,ほぼ完全な精度と再現性を持つ主要な論文を同定し,寄与したデータセットに関する様々なベースラインより優れている。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  測度 ,  *学習 ,  特徴抽出 ,  再現性 ,  符号器 ,  カーネーション ,  ファセット ,  知識表現 ,  基準線 ,  曖昧さ ,  アノテーション ,  コンテンツ
準シソーラス用語： *ウィキペディア ,  エンティティ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： Wikipedia ,  記事 ,  サブ ,  識別 ,  学習