論文の概要: Relational Message Passing for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2002.06757v2
• Date: Thu, 27 May 2021 21:33:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 11:59:42.795675
• Title: Relational Message Passing for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ補完のためのリレーショナルメッセージパッシング
• Authors: Hongwei Wang, Hongyu Ren, Jure Leskovec
• Abstract要約: 本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
• 参考スコア（独自算出の注目度）: 78.47976646383222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph completion aims to predict missing relations between entities in a knowledge graph. In this work, we propose a relational message passing method for knowledge graph completion. Different from existing embedding-based methods, relational message passing only considers edge features (i.e., relation types) without entity IDs in the knowledge graph, and passes relational messages among edges iteratively to aggregate neighborhood information. Specifically, two kinds of neighborhood topology are modeled for a given entity pair under the relational message passing framework: (1) Relational context, which captures the relation types of edges adjacent to the given entity pair; (2) Relational paths, which characterize the relative position between the given two entities in the knowledge graph. The two message passing modules are combined together for relation prediction. Experimental results on knowledge graph benchmarks as well as our newly proposed dataset show that, our method PathCon outperforms state-of-the-art knowledge graph completion methods by a large margin. PathCon is also shown applicable to inductive settings where entities are not seen in training stage, and it is able to provide interpretable explanations for the predicted results. The code and all datasets are available at https://github.com/hwwang55/PathCon.
• Abstract（参考訳）: 知識グラフ補完は、知識グラフ内のエンティティ間の欠落の関係を予測することを目的としている。 本研究では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 既存の埋め込みベースメソッドと異なり、リレーショナルメッセージパッシングは知識グラフにエンティティidを含まないエッジ機能(すなわちリレーショナルタイプ)のみを考慮し、リレーショナルメッセージをエッジ間で反復的に渡すことで周辺情報を集約する。 具体的には、リレーショナルメッセージパッシングフレームワークの下で、与えられたエンティティペアに対して、2種類の近傍トポロジーをモデル化する。(1) 与えられたエンティティペアに隣接するエッジの関係型をキャプチャするリレーショナルコンテキスト、(2) 知識グラフにおける与えられた2つのエンティティ間の相対的な位置を特徴付けるリレーショナルパス。 2つのメッセージパッシングモジュールは、関係予測のために結合される。 ナレッジグラフベンチマークおよび新たに提案するデータセットを用いた実験結果から,提案手法が最先端ナレッジグラフ補完手法を大差で上回ることがわかった。 PathConは、トレーニング段階でエンティティが見えないインダクティブな設定にも適用でき、予測された結果に対して解釈可能な説明を提供することができる。 コードとデータセットはすべて、https://github.com/hwwang55/pathconで入手できる。

関連論文リスト

• Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
  既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。 我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。 当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2023-12-19T08:01:48Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern for Knowledge Graph Embedding [13.17623081024394]
  知識グラフにおけるそのような意味現象を近接パターンと呼ぶ。 元の知識グラフを用いて、我々は2つのパターンを深くマージするために、連鎖したcouPle-GNNアーキテクチャを設計する。 FB15k-237とWN18RRデータセットで評価され、CP-GNNは知識グラフ補完タスクの最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-02T03:50:42Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Knowledge Graph Embedding using Graph Convolutional Networks with Relation-Aware Attention [3.803929794912623]
  知識グラフ埋め込み法は、実体と関係の埋め込みを低次元空間で学習する。 さまざまな種類の情報を用いて実体と関係の特徴を学習する様々なグラフ畳み込みネットワーク手法が提案されている。 本稿では,関係情報を利用して隣接ノードの重み付けを計算し,エンティティと関係の埋め込みを学習する関係認識グラフ注意モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-14T17:19:44Z)
• Context-Enhanced Entity and Relation Embedding for Knowledge Graph Completion [2.580765958706854]
  マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。 実験の結果、AggrEは既存のモデルと競合していることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T09:20:42Z)
• Language and Visual Entity Relationship Graph for Agent Navigation [54.059606864535304]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従って現実世界の環境をナビゲートする必要がある。 テキストと視覚間のモーダル関係をモデル化するための新しい言語とビジュアルエンティティ関係グラフを提案する。 実験によって、私たちは最先端技術よりも改善できる関係を利用しています。
  論文  参考訳（メタデータ） (2020-10-19T08:25:55Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• Explainable Link Prediction for Emerging Entities in Knowledge Graphs [44.87285668747474]
  クロスドメイン知識グラフは固有の不完全性と疎性に悩まされる。 リンク予測は、ソースエンティティとクエリ関係が与えられたターゲットエンティティを推論することで、これを緩和することができる。 本稿では,未確認なエンティティの表現を学習可能な帰納的表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-01T22:17:37Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。