Temporal Interaction Embedding for Link Prediction in Global News Event Graph
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Global news events graphs (GNEG) are designed for the noisy and ungrammatical world’s news media, aiming at capturing the true insight and providing explanations by incorporating potential dimensions and network structures of global news. This article focuses on the temporal representation learning of GNEG to eliminate misunderstanding or ambiguity caused by missing information. Although some temporal models have been developed, the crossover interactions among entity, relation, and time have not been explicitly discussed. The multidirectional effects between entities, relations, and timestamps matter in predicting the establishment of quadruples. This motivates the proposal of learning temporal interaction embeddings (TIE) to benefit GNEG link prediction performance. Specifically, we propose the following. 1) We propose a crossover convolution layer to learn the two-by-two and common interaction features of entity, relation, and time in GNEG to capture their potential effect patterns in the context of different quadruples. 2) For the learned interaction information, we adopt tensor neural network (TNN) to maintain the multiple order structure and further extract effective features to improve prediction. 3) A tensor temporal consistency constraint (TCC) is proposed to enhance the learning of time-weakly sensitive information and induce the embeddings to have a certain compatibility over time. Finally, we carried out extensive experiments on three benchmark datasets, the results proved that the performance of the proposed TIE model is competitive with the state-of-the-art methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle