Jun, 2024

找出父级，然后标记子级：使用预训练语言模型的两阶段分类法完成方法

PDF
TL;DR本文提出了名为 ATTEMPT 的两阶段方法，通过找到父节点并标记子节点的方式，将新概念插入正确的位置。利用预训练的语言模型进行上下位关系识别，通过合并本地节点和提示生成自然语句。实验结果表明，ATTEMPT 在分类系统补全和扩展任务上表现最佳，超过了现有方法。
taxonomiesknowledge systemstaxonomy completionhierarchical structurespre-trained language models
发现论文，激发创造
  • 在决策前咨询父母及其子代：充分利用层次结构进行自监督分类法扩展

    本文提出了层次扩展框架 (HEF)，旨在更好地利用分类法的分层结构进行分层扩展。HEF 在多个方面利用分类法的分层结构，利用亲属关系检测和几个树独特功能来评估其子树的连贯性，并引入适合度评分来选择最优位置，将信息交换用于消歧和自我纠正。该模型在三个基准数据集上的实验表明，通过更好地利用层次结构和优化分类法的连贯性，HEF 在准确性和平均倒数排名方面平均提高了 46.7% 和 32.3% 的精度，远远超过了之前的最佳水平。

    Jan, 2021

  • 从预训练语言模型构建分类法

    本研究提出了一种使用预训练语言模型构建分类树（例如，WordNet）的方法，该方法包括预测父子关系和协调这些预测结果以形成树的两个模块。研究表明，该方法在构建英语 WordNet 子树的任务上取得了很好的成果，并在 Open Multilingual WordNet 上将结果扩展到其他九种语言。

    Oct, 2020

  • 通过融合关系表示增强概念生成以完成分类法

    GenTaxo 通过识别需要新概念的现有分类系统中的位置，然后生成适当的概念名称，从而提高了分类完整性。

    Jun, 2021

  • TaxoCom: 利用分层发现新话题群集的主题分类完成

    研究自动构建文档集合的隐藏主题 (或类别) 结构的主题分类法建议一个名为 TaxoCom 的新框架，该框架利用关于主题结构的部分 (或不完全) 信息作为指南来发现完整的主题分类法，并应用嵌入和聚类技术来识别层级主题结构中的新主题。

    Jan, 2022

  • 三元组匹配网络完成分类

    通过提出 Triplet Matching Network 模型，实现了新的 “taxonomy completion” 任务，即同时发现查询的上位词和下位词，通过实验验证，在实现新任务的同时，对于以往的 taxonomy expansion 任务也取得了最佳表现。

    Jan, 2021

  • 用户行为监督下的产品分类扩展：从所做的事情中学到所需的知识

    本文提出了一种自我监督和用户行为导向的产品分类法拓展框架，通过从现有的分类法和用户点击日志中抽取用户感兴趣的候选下义词关系并利用预训练语言模型和图神经网络结合对比学习来建模概念和关系，以自动将新概念附加到现有分类法，从而减少手动更新的人力成本。

    Mar, 2022

  • TaxoExpan: 利用位置增强的图神经网络进行自监督分类扩展

    本文提出了一种名为 TaxoExpan 的自我监督框架，使用一组 <查询概念，锚定概念> 对从现有分类法中自动生成的训练数据。通过使用这种自我监督数据，TaxoExpan 学习模拟预测查询概念是否为锚定概念的直接下位词的模型，并提出了两个创新技术：（1）增强位置的图神经网络，用于编码现有分类法中锚定概念的局部结构；（2）噪声鲁棒训练目标，使学习模型不受自我监督数据标注噪声的影响。实验结果表明，TaxoExpan 对于分类法扩展具有高效性和有效性。

    Jan, 2020

  • HiExpan: 基于层次树扩展的任务导向分类构建

    本文提出了一种自动构建以任务为导向的分类体系的方法，名为 HiExpan，该方法通过从语料库中自动生成关键术语列表并逐步扩大种子分类体系来构建分类体系，并结合弱监督关系抽取模块来调整分类树的全局结构，实验证明该方法在不同领域的构建任务中具有良好的效果。

    Oct, 2019

  • 通过结构 - 语义表示实现自监督的分类补全

    本研究提出了一种名为 TaxoEnrich 的新的分类完成框架，它有效地利用现有分类体系中的语义特征和结构信息，并提供更好的候选位置表示以提高分类完成性能。实验结果表明，在四个来自不同领域的大型真实数据集上，TaxoEnrich 在所有评估指标上均实现了最佳性能，并且在很大程度上优于先前的最新方法。

    Feb, 2022

  • 用端到端强化学习实现自动分类学归纳

    本文提出一种新颖的强化学习方法，旨在从一组术语中自动归纳出分类法，该方法采用多种信息源学习术语对的表示，并使用策略网络确定要选择哪个术语以及将其放置在分类法中的何处，在训练分类法时通过整体树度量进行累积奖励，实验证明，该方法在两个不同领域的两个公共数据集上优于先前的最先进的分类法归纳方法高达 19.6％的祖先 F1。

    May, 2018