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。
エンティティアラインメント(EA)は,知識グラフ(KG)を,異なるグラフにおける等価エンティティを同定することによって併合し,そしてそれは,KGの知識表現を効果的に強化することができた。しかし,実際には,異なるKGはしばしば,他のグラフで見つかることができないダングリングエンティティを含み,EA法の性能を制限する。ダングリングエンティティを有するEAを改善するために,著者らは,Danglingケース(SoTead)におけるエンティティアラインメントのための半制約最適輸送と呼ばれる教師なし方法を提案した。著者らの主なアイデアは,1つのKGのエンティティから他者への最適輸送問題として,2つのKG間のエンティティアラインメントをモデル化することである。最初に,事前訓練単語埋込みに基づくKG間の擬似エンティティペアを設定した。次に,各エンティティペア間の輸送コストを得るために,コントラストメトリック学習を行う。最後に,最適化制約を緩和し,半制約最適輸送に導く,他のKGからダングリングエンティティを「アサイン」するために,各KGに対する仮想エンティティを導入した。実験部分では,まず,一般的に使用されるエンティティアラインメントデータセット上のSoTeadの優位性を示した。さらに,他の基準線によるダングリングエンティティ検出の能力を解析するために,著者らは,著者らのSoTeadが最先端の性能に達する,医学交差言語知識グラフデータセット,MedEDを構築した。【JST・京大機械翻訳】