MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016935259
■00520240214101911
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380855587
■035    ▼a(MiAaPQ)AAI30686840
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aYu,  Donghan.
■24510▼aLeveraging  Textual  Semantics  for  Knowledge  Graph  Acquisition  and  Application▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(106  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Yang,  Yiming.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aKnowledge  Graphs  (KGs),  which  represent  world  knowledge  through  entities  and  relations,  are  ubiquitous  in  real-world  applications.  Besides  their  structural  nature,  KGs  offer  rich  textual  information,  as  entities  usually  correspond  to  real-world  objects  with  specific  names  and  descriptions.  Despite  the  importance  of  such  information,  it  has  been  largely  overlooked  or  inadequately  explored  in  existing  studies.This  thesis  aims  to  integrate  the  textual  information  into  the  modeling  of  KGs  by  utilizing  Pre-trained  Language  Models  (PLMs),  which  have  demonstrated  effectiveness  in  capturing  the  semantic  meanings  of  natural  language.  This  goal  is  carried  out  on  two  complementary  parts:  the  acquisition  of  KGs  to  enhance  their  qualities,  and  the  application  of  KGs  to  address  user  queries.In  Part  I,  we  focus  on  KG  acquisition  through  text.  We  begin  with  a  pre-training  framework  that  jointly  learns  the  vector  representations  of  KGs  and  text.  It  features  KG-text  dual  modules  that  mutually  enhance  each  other,  achieving  strong  results  on  relation  extraction  and  entity  classification.  (Chapter  2).  To  address  scalability  challenges  in  large  KGs,  we  propose  a  retrieval-enhanced  text-generation  model  for  KG  completion.  It  leverages  semantically  relevant  triplets  from  KGs  to  guide  the  generation  of  missing  entities,  demonstrating  state-of-the-art  performance  while  maintaining  low  memory  usage  (Chapter  3).In  Part  II,  we  turn  our  attention  to  applying  KGs  to  the  crucial  task  of  Question  Answering  (QA).  In  the  setting  that  the  answers  are  sourced  from  KGs,  we  propose  a  framework  that  jointly  generates  logical  queries  and  text  answers  to  produce  more  accurate  and  robust  results  (Chapter  4).  Then  we  extend  to  the  scenarios  where  the  answers  mainly  stem  from  text  corpora  instead  of  KGs.  Our  proposed  method  leverages  KGs  to  construct  links  among  the  text  passages.  Such  structural  information  is  leveraged  to  re-rank  and  prune  related  passages  for  each  question,  significantly  reducing  computational  costs  (Chapter  5).  Finally,  we  tackle  the  setting  of  incomplete  KGs.  We  introduce  the  first  benchmark  dataset  to  assess  the  impact  of  KG  completion  methods  on  question  answering.  Our  experiments  highlight  the  necessity  to  jointly  study  the  acquisition  and  application  of  KGs  (Chapter  6).
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  engineering.
■650  4▼aComputer  science.
■653    ▼aGraph  neural  network
■653    ▼aKnowledge  Graphs
■653    ▼aPre-trained  language  model
■653    ▼aQuestion  answering
■653    ▼aTextual  semantics
■690    ▼a0800
■690    ▼a0984
■690    ▼a0464
■71020▼aCarnegie  Mellon  University▼bLanguage  Technologies  Institute.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935259▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서