Mitigating Data Sparsity in Integrated Data through Text Conceptualization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F25%3ATBEKHQ3Z" target="_blank" >RIV/00216208:11320/25:TBEKHQ3Z - isvavai.cz</a>

Výsledek na webu

<a href="https://www.scopus.com/inward/record.uri?eid=2-s2.0-85200495506&doi=10.1109%2fICDE60146.2024.00269&partnerID=40&md5=f9315382eb0db99e194933a8b9e99c2b" target="_blank" >https://www.scopus.com/inward/record.uri?eid=2-s2.0-85200495506&doi=10.1109%2fICDE60146.2024.00269&partnerID=40&md5=f9315382eb0db99e194933a8b9e99c2b</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICDE60146.2024.00269" target="_blank" >10.1109/ICDE60146.2024.00269</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Mitigating Data Sparsity in Integrated Data through Text Conceptualization

Popis výsledku v původním jazyce

We study the data sparsity problem for data generated from an integration system. We approach the problem from a textual information extraction perspective and propose to conceptualize external documents using the concepts in the integrated schema. We present THOR, a novel system that, unlike related approaches, neither relies on complex rules nor models trained with large annotated corpus, but on the integrated data and its schema without the need for human annotations. An extensive evaluation on the text conceptualization task demonstrates the superiority of our approach in terms of F1-score, effort and use of resources over the state-of-the-art language models. © 2024 IEEE.

Název v anglickém jazyce

Mitigating Data Sparsity in Integrated Data through Text Conceptualization

Popis výsledku anglicky

We study the data sparsity problem for data generated from an integration system. We approach the problem from a textual information extraction perspective and propose to conceptualize external documents using the concepts in the integrated schema. We present THOR, a novel system that, unlike related approaches, neither relies on complex rules nor models trained with large annotated corpus, but on the integrated data and its schema without the need for human annotations. An extensive evaluation on the text conceptualization task demonstrates the superiority of our approach in terms of F1-score, effort and use of resources over the state-of-the-art language models. © 2024 IEEE.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proc Int Conf Data Eng

ISBN

979-835031715-2

ISSN

1084-4627

e-ISSN

—

Počet stran výsledku

15

Strana od-do

3490-3504

Název nakladatele

IEEE Computer Society

Místo vydání

—

Místo konání akce

Utrecht

Datum konání akce

1. 1. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—