HyperAIHyperAI
vor 13 Tagen

Rematch: Robust und effiziente Übereinstimmung lokaler Wissensgraphen zur Verbesserung der strukturellen und semantischen Ähnlichkeit

Zoher Kachwala, Jisun An, Haewoon Kwak, Filippo Menczer
Rematch: Robust und effiziente Übereinstimmung lokaler Wissensgraphen zur Verbesserung der strukturellen und semantischen Ähnlichkeit
Abstract

Wissensgraphen spielen eine entscheidende Rolle in verschiedenen Anwendungen wie Fragenbeantwortung und Faktenüberprüfung. Die Abstract Meaning Representation (AMR) stellt Text als Wissensgraphen dar. Die Bewertung der Qualität solcher Graphen erfordert eine strukturelle und semantische Übereinstimmung mit dem Quelltext. Bestehende AMR-Metriken sind ineffizient und erfassen die semantische Ähnlichkeit nur unzureichend. Zudem fehlt es uns an einem systematischen Evaluierungsbenchmark zur Beurteilung der strukturellen Ähnlichkeit zwischen AMR-Graphen. Um diese Einschränkungen zu überwinden, stellen wir eine neue AMR-Ähnlichkeitsmetrik namens rematch sowie ein neues Evaluierungsverfahren für strukturelle Ähnlichkeit namens RARE vor. Unter den state-of-the-art-Metriken belegt rematch den zweiten Platz bei der strukturellen Ähnlichkeit; bei der semantischen Ähnlichkeit erreicht es mit 1–5 Prozentpunkten Vorsprung den ersten Platz auf den Benchmarks STS-B und SICK-R. rematch ist zudem fünfmal schneller als die nächst-effizienteste bestehende Metrik.

Rematch: Robust und effiziente Übereinstimmung lokaler Wissensgraphen zur Verbesserung der strukturellen und semantischen Ähnlichkeit | Neueste Forschungsarbeiten | HyperAI