論文の概要: Query2box: Reasoning over Knowledge Graphs in Vector Space using Box
Embeddings
- arxiv url: http://arxiv.org/abs/2002.05969v2
- Date: Sat, 29 Feb 2020 03:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 03:37:52.651587
- Title: Query2box: Reasoning over Knowledge Graphs in Vector Space using Box
Embeddings
- Title（参考訳）: Query2box:Box Embeddingsを使用したベクトル空間の知識グラフの推論
- Authors: Hongyu Ren, Weihua Hu, Jure Leskovec
- Abstract要約: query2boxは、不完全な知識グラフ上の任意のクエリを推論するための埋め込みベースのフレームワークである。
query2boxは、スケーラブルな方法で$wedge$, $vee$, $exists$で任意の論理クエリを処理可能であることを示す。
本稿では,3つの大規模KGに対するQuery2boxの有効性を示すとともに,クエリ2boxが技術状況に対して最大25%の相対的な改善を達成可能であることを示す。
- 参考スコア（独自算出の注目度）: 84.0206612938464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Answering complex logical queries on large-scale incomplete knowledge graphs
(KGs) is a fundamental yet challenging task. Recently, a promising approach to
this problem has been to embed KG entities as well as the query into a vector
space such that entities that answer the query are embedded close to the query.
However, prior work models queries as single points in the vector space, which
is problematic because a complex query represents a potentially large set of
its answer entities, but it is unclear how such a set can be represented as a
single point. Furthermore, prior work can only handle queries that use
conjunctions ($\wedge$) and existential quantifiers ($\exists$). Handling
queries with logical disjunctions ($\vee$) remains an open problem. Here we
propose query2box, an embedding-based framework for reasoning over arbitrary
queries with $\wedge$, $\vee$, and $\exists$ operators in massive and
incomplete KGs. Our main insight is that queries can be embedded as boxes
(i.e., hyper-rectangles), where a set of points inside the box corresponds to a
set of answer entities of the query. We show that conjunctions can be naturally
represented as intersections of boxes and also prove a negative result that
handling disjunctions would require embedding with dimension proportional to
the number of KG entities. However, we show that by transforming queries into a
Disjunctive Normal Form, query2box is capable of handling arbitrary logical
queries with $\wedge$, $\vee$, $\exists$ in a scalable manner. We demonstrate
the effectiveness of query2box on three large KGs and show that query2box
achieves up to 25% relative improvement over the state of the art.
- Abstract（参考訳）: 大規模不完全知識グラフ(KGs)上の複雑な論理的クエリーの解答は、基本的だが難しい課題である。
近年、この問題に対する有望なアプローチは、クエリに応答するエンティティがクエリの近くに埋め込まれるように、クエリだけでなくKGエンティティをベクトル空間に埋め込むことである。
しかし、事前の作業モデルはベクトル空間の単一点としてクエリをクエリするが、これは複雑なクエリがその答えエンティティの潜在的に大きな集合を表すため問題であるが、そのような集合が単一点として表現できるかどうかは不明である。
さらに、以前の作業では、コンビネーション($\wedge$)と存在量化子($\exists$)を使用するクエリのみを扱うことができる。
論理的解離($\vee$)でクエリを処理することは、未解決の問題である。
ここでは、$\wedge$, $\vee$, $\exists$演算子を大量かつ不完全なKGで任意のクエリを推論するための埋め込みベースのフレームワークであるQuery2boxを提案する。
私たちの主な洞察は、クエリをボックス(すなわちハイパー矩形)として埋め込むことができ、ボックス内のポイントのセットがクエリの応答エンティティのセットに対応することです。
接続は自然に箱の交叉として表現でき、また、解離の扱いには KG 実体の数に比例する次元の埋め込みが必要であるという負の結果も証明できる。
しかし、クエリを断続的な正規形式に変換することによって、query2boxは、スケーラブルな方法で$\wedge$、$\vee$、$\exists$で任意の論理クエリを処理できることを示します。
我々は,3つの大きな kg に対して query2box の有効性を実証し,query2box が最高25% の相対的改善を達成していることを示す。
関連論文リスト
- DAGE: DAG Query Answering via Relational Combinator with Logical Constraints [24.60431781360608]
DAGEと呼ばれるDAGクエリに対するクエリ埋め込み手法を提案する。
DAGEは2つのノード間の可能性のある複数のパスを、トレーニング可能なオペレータで単一のパスに結合する。
既存のクエリ埋め込みメソッド上にDAGEを実装することが可能であることを示す。
論文 参考訳（メタデータ） (2024-10-29T15:02:48Z) - RConE: Rough Cone Embedding for Multi-Hop Logical Query Answering on Multi-Modal Knowledge Graphs [30.94793132285142]
知識グラフ上で応答するマルチホップクエリは、クエリに応答するために、開始ノードから1つ以上のホップをトラバースする。
本稿では,クエリに応答するために必要なマルチモーダル情報をキャプチャする埋め込み手法RConEを提案する。
MMKGを問合せする論理構造を初めて導入し,その答えとしてマルチモーダルエンティティのサブエンティティを含む問合せに答える。
論文 参考訳（メタデータ） (2024-08-21T11:02:35Z) - Generating $SROI^-$ Ontologies via Knowledge Graph Query Embedding Learning [26.905431434167536]
本稿では,このグラフから学習した知識を,SROI-$記述論理公理の形で記述する新しいクエリ埋め込み手法AConEを提案する。
AConEはパラメータが少なく、以前のベースラインよりも優れた結果が得られる。
我々は,公理を表現する能力が問合せ応答の結果に肯定的な影響を及ぼすことを示す包括的分析を行った。
論文 参考訳（メタデータ） (2024-07-12T12:20:39Z) - Query2Particles: Knowledge Graph Reasoning with Particle Embeddings [49.64006979045662]
本稿では,知識グラフにエッジを欠いた複雑な論理的クエリに応答するクエリ埋め込み手法を提案する。
回答エンティティは、エンティティの埋め込みとクエリの埋め込みの類似性に応じて選択される。
埋め込み空間上の様々な領域から多様な回答を検索するために,複雑なKGクエリ応答方法Q2Pを提案する。
論文 参考訳（メタデータ） (2022-04-27T11:16:08Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳（メタデータ） (2022-02-22T01:34:35Z) - Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open
Domain Question Answering [78.9863753810787]
世界の知識は構造化データベースに保存されている。
クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
論文 参考訳（メタデータ） (2021-08-05T22:04:13Z) - Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。
我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
論文 参考訳（メタデータ） (2021-06-15T14:08:50Z) - Logic Embeddings for Complex Query Answering [56.25151854231117]
skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。
論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
論文 参考訳（メタデータ） (2021-02-28T07:52:37Z) - Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs [89.51365993393787]
知識グラフ(KG)上で任意のFOLクエリに応答する確率的埋め込みフレームワークであるBetaEを紹介する。
BetaEは、一階述語論理演算の完全なセットを処理できる最初のメソッドである。
大規模かつ不完全な3つのKG上での任意のFOLクエリ応答におけるBetaEの性能を示す。
論文 参考訳（メタデータ） (2020-10-22T06:11:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。