背景と研究の動機 周知の通り、食物の栄養と人間の健康は密接に関連しています。科学的研究によると、食事の栄養が不適切であることは200種類以上の病気と関連しており、特に腸内フローラの代謝を考慮した場合、食物の栄養成分と病気との間の複雑な相互作用は体系化と実際の応用が困難です。そのため、包括的な知識を統合し実用的な枠組みを提供することが急務であり、飲食関連のクエリ取得をサポートする必要があります。 研究の出典 本稿はChengcheng Fu、Xueli Pan、Jieyu Wu、Junkai Cai、Zhisheng Huang、Frank Van Harmelen、Weizhong Zhao、Xingpeng Jiang、そしてTingting Heが共同で執筆した研究に基づいています。この...

医学関係抽出と知識グラフ推薦を結合した研究報告 背景説明 医学分野において、文献の爆発的な増加により、研究者は自身の専門分野の最新の進展を追跡することが難しくなっています。自然言語処理（NLP）分野から見ると、進化する自動化ツールは非構造化テキストから関連情報を識別および抽出するのを助け、このタスクは関係抽出（Relation Extraction、RE）と呼ばれます。REの主要な目標はテキストから医学的な実体間の関係を抽出して分類し、生物医学プロセスの理解を深めることです。 現在、大多数の最先端の医学REシステムは深層学習手法を使用しており、主に同種の実体間の関係（例：遺伝子と薬剤など）を対象としています。しかし、これらのシステムは大部分がテキストから直接抽出した情報に限られており、専門分...

診断予測における階層的注意関係ネットワークの応用 近年、電子健康記録（Electronic Health Records、略してEHR）は医療意思決定の向上やオンラインでの病気の検出と監視において極めて価値があります。同時に、深層学習に基づく方法はEHRを利用した健康リスク予測や診断予測で大きな成功を収めました。しかし、深層学習モデルには通常、大量のデータが必要であり、その理由はパラメータの膨大な数にあります。さらに、EHRデータには多くの希少な医療コードが存在し、これが臨床応用に大きな課題をもたらします。このため、一部の研究では医療オントロジーを用いて予測性能を強化し、解釈可能な予測結果を提供することが提案されています。しかし、これらの医療オントロジーは通常、規模が小さく、粒度が粗いため、...

AutoAlign：大規模言語モデルによる全自動・効率的な知識グラフのアライメント方法 知識グラフ（Knowledge Graph、KG）は、質問応答システム、対話システム、推薦システムなど多くの分野で広く利用されています。しかし、異なる知識グラフには、同一の現実のエンティティが異なる形で保存される問題があるため、知識の共有と情報の補完が非常に困難です。特に実際のアプリケーションでは、これらの知識グラフの統合が中心的な課題となります。これにはエンティティアライメント（Entity Alignment）が関与しており、異なる知識グラフで同じエンティティを表すエンティティを識別することになります。しかし、既存の方法は通常手作業の種子アライメント（Seed Alignments）が必要で、その取得...

知識グラフを基盤としたソーシャル強化型説明可能な推薦システム はじめに インターネット情報量の増加に伴い、ユーザーと商品の関連情報も急速に拡大し、情報過多問題が日々深刻化しています。推薦システムはユーザーに対して少量の好みに合った商品を推薦することでこの問題を効果的に緩和できます。それは、ユーザーが迅速に関心のあるコンテンツを見つける手助けとなるだけでなく、企業には精度の高いマーケティングを可能にし、顧客ロイヤルティを向上させます。電子商取引、ソーシャルメディア、検索エンジンなど様々なプラットフォームで、推薦システムの役割はますます重要になっています。 推薦システムの性能は、推薦技術に大いに依存しています。初期の協調フィルタリング（Collaborative Filtering, CF）法は...

多重関係グラフ注意ネットワークに基づく接続埋め込みを用いた知識グラフエンティティタイプ認識 研究背景 今日、知識グラフ（Knowledge Graphs, KGs）は、さまざまなKG駆動型AI関連分野においてますます多くの研究関心を集めています。大規模な知識グラフは豊富で有効な構造化情報を提供し、質問応答システムやウェブ検索のような多数のインテリジェントアプリケーションの核心データリソースとなっています。通常、知識グラフには大量のエンティティタイプ（Entity Typing）インスタンスが含まれており、それはタプル ((e, t)) の形式で存在します。ここで (e) はエンティティ、(t) はその階層的なタイプです。現代の知識グラフ（Freebase、YAGOおよびGoogle Know...

統一大言語モデルと知識グラフ 背景 近年、自然言語処理と人工知能の分野には多くの研究成果が現れており、その中でも大言語モデル（Large Language Models, LLMs）として知られるChatGPTやGPT-4が優れた成果を示しています。しかし、これらのモデルは優れた一般化能力を持ちながらも、そのブラックボックス性から事実知識を効果的に捕捉しアクセスすることが困難とされ批判を受けることも多いです。一方、知識グラフ（Knowledge Graphs, KGs）として知られるWikipediaやHuapuは、構造化形式で大量の事実知識を保存していますが、知識グラフの構築と進化のプロセスは非常に複雑です。そこで、研究者たちは大言語モデルと知識グラフを組み合わせ、それぞれの長所を生かして...

グラフに基づいたサンプリングなしの知識グラフ強化推薦 近年、知識グラフ（Knowledge Graph, KG）を強化した推薦システムは、コールドスタート問題や推薦システムの可解釈性を解決するために、多くの研究者の関心を集めています。既存の推薦システムは、購入履歴などの暗黙のフィードバックに焦点を当てることが多く、負のフィードバックが不足しています。大部分のシステムは暗黙のフィードバックデータを処理するために負のサンプリング戦略を採用していますが、これでは潜在的な正のユーザー-アイテムの相互作用が見過ごされる可能性があります。他の研究ではサンプリングなし戦略を採用し、観察されていない全ての相互作用を負のサンプルと見なして、各負のサンプルに正のサンプルの確率を示す重みを割り当てています。しかし...

学術報告 背景紹介 知識グラフ（Knowledge Graph, KG）は、エンティティと関係の情報を記録する構造化データで、質疑応答システム、情報検索、機械読解などの分野で広く利用されています。知識グラフ埋め込み（Knowledge Graph Embedding, KGE）技術は、グラフ内のエンティティと関係を低次元の密なベクトル空間にマッピングすることで、関連アプリケーションの性能を大幅に向上させます。しかし、KGEモデルのトレーニングにおいて、高品質な負のサンプル（negative samples）を生成する方法が極めて重要です。 現在主流のKGEモデルは、負のサンプル生成において多数の課題に直面しています。いくつかのモデルは均等分布やベルヌーイ分布などの単純な静的分布を使用しており...

導入 人工知能システムが常識知識を欠いていることは、その分野の発展を制約する主な障害の1つでした。近年、ニューラル言語モデルと常識知識グラフによって長足の進歩が得られたものの、人間の知性の重要な構成要素である「概念化」は人工知能システムにうまく反映されていませんでした。人間は、具体的な事物や状況を抽象概念に概念化し、その上で推論することで、世界中の無限の実体や状況を取得し理解しています。しかし、有限の知識グラフでは現実世界の多種多様な実体や状況をカバーできず、それらの関係や推論はおろか話になりません。 本研究では、常識推論における概念化の役割を深く探求し、人間の概念化過程をシミュレートするフレームワークを構築しました。既存の状況常識知識グラフから抽象概念に関する事象知識や、それらの抽象概念に...