抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
学術的データは,会議,ジャーナル等を含む多数のベンチャーからの論文に関する情報を含む。多くのイニシアティブが,知識グラフ(KG)として利用可能な学術的データを作るために取り込まれてきた。これらのデータを標準化し,アクセスできるこれらの努力は,学術論文,あいまいな著者等の調査のような多くの課題にもつながっている。本研究は,Scholarly KG上のAuthor Name Disambiguation(AND)の問題をより具体的に標的とし,これらのKGから生成されたマルチモーダルリテラ情報を用いて知識グラフ埋込み(KGE)を利用する新しいフレームワーク,Literal Author Name Disambiguation(LAND)を提示した。このフレームワークは3つの成分に基づいている。1)マルチモーダルKGE,2)ブロッキング手順,3)階層的凝集クラスタリング。2つの新しく作られたKGについて広範な実験を行った。(i)1978年(OC-782K)からの科学誌からの情報を含むKG,および(ii)AMiner(AMiner-534K)によって提供されたANDのよく知られたベンチマークから抽出したKG。結果は,提案アーキテクチャがF1スコアに関して8~14%のベースラインを凌駕し,AMinerのような挑戦的なベンチマークで競合性能を示すことを明らかにした。コードとデータセットは,それぞれ,Github:https://github.com/sntcristian/and kgeとZenodo:https://doi.org/10.5281/zenodo.6309855によって公的に利用可能である。【JST・京大機械翻訳】