文献

J-GLOBAL ID：202202268143563120   整理番号：22A0478792

事実検査のための知識構造駆動プロトタイプ学習と検証【JST・京大機械翻訳】

Knowledge structure driven prototype learning and verification for fact checking

著者 (8件)： Wang Shuai (State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Wang Shuai (School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Mao Wenji (State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Mao Wenji (School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Wei Penghui (State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Wei Penghui (School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Zeng Daniel D. (State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Zeng Daniel D. (School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 238  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 反芻情報の広がりを抑制するために,事実チェックは,与えられた主張の真実性を検証するために,関連する証拠を検索することを目指している。事実チェックに関する以前の研究は,外部リポジトリとして知識グラフ(KG)を典型的に利用し,KGから証拠を検索するための推論法を開発する。カテゴリ階層構造と属性関係を含むドメイン知識構造は,KGベースの学習と検証を容易にする識別情報として利用することができる。しかしながら,以前の事実チェック研究において,カテゴリー階層と属性情報は,KGにおいてしばしば散乱し,他のタイプの情報のような学習プロセスにおける通常の三重事実として扱われた,または,カテゴリ階層構造の考慮なしで,または学習プロセスとカテゴリ階層の組合せを考慮せずに,限られた方法で利用された。したがって,カテゴリー階層と属性関係をより良く利用するために,本論文では,実際のチェックのためのエンドツーエンド知識構造駆動プロトタイプ学習と検証法を提案した。カテゴリー内コンパクト性とカテゴリー間分離を改善するために,著者らは,エンティティ埋込みを強化し,高レベルカテゴリーを用いて埋込み表現を最適化するために,各サブカテゴリのためのプロトタイプを共同学習する階層的プロトタイプ学習技術を開発した。埋込み学習をさらに強化するために,隣接属性ノードから情報を集約するためのグラフ注意ネットワークを提案した。食品領域に関する実世界データセットを構築し,ベンチマークデータセットと著者らのドメインデータセットに関する実験結果は,以前の事実チェック法と代表的KG推論法の両方と比較して,著者らの方法の有効性を示した。Copyright 2022 Elsevier B.V., Amsterdam. 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 ,  *学習 ,  食品 ,  ネットワーク ,  エンドツーエンド方式 ,  階層構造 ,  コンパクト性 ,  ベンチマーク ,  ドメイン知識 ,  プロトタイプ ,  リポジトリ
準シソーラス用語： 学習過程 ,  協調学習 ,  識別子 ,  エンティティ , 【Automatic Indexing@JST】

著者キーワード (5件)： 事実検査 ,  知識構造 ,  階層的プロトタイプ学習 ,  関係強化 ,  検証

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 検査 ,  知識構造 ,  プロトタイプ ,  学習 ,  検証