論文の概要: KGvec2go -- Knowledge Graph Embeddings as a Service
- arxiv url: http://arxiv.org/abs/2003.05809v1
- Date: Mon, 9 Mar 2020 12:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 07:58:54.976001
- Title: KGvec2go -- Knowledge Graph Embeddings as a Service
- Title(参考訳): KGvec2go - サービスとしての知識グラフ埋め込み
- Authors: Jan Portisch, Michael Hladik, Heiko Paulheim
- Abstract要約: KGvec2goは、下流アプリケーションで軽量な方法でグラフ埋め込みにアクセスし、消費するためのWeb APIである。
サービスとその使用方法を紹介するとともに、トレーニングされたモデルが複数のセマンティックベンチマークで評価することでセマンティックな価値を持つことを示す。
- 参考スコア(独自算出の注目度): 1.9981375888949477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present KGvec2go, a Web API for accessing and consuming
graph embeddings in a light-weight fashion in downstream applications.
Currently, we serve pre-trained embeddings for four knowledge graphs. We
introduce the service and its usage, and we show further that the trained
models have semantic value by evaluating them on multiple semantic benchmarks.
The evaluation also reveals that the combination of multiple models can lead to
a better outcome than the best individual model.
- Abstract(参考訳): 本稿では、下流アプリケーションにおけるグラフ埋め込みへのアクセスと消費のためのWeb APIであるKGvec2goについて述べる。
現在、4つの知識グラフに対して事前学習された埋め込みを提供する。
サービスとその利用方法を紹介し,複数の意味ベンチマークで評価することにより,学習モデルに意味的価値があることをさらに示す。
また、複数のモデルを組み合わせることで、最高の個々のモデルよりも優れた結果が得られることも明らかにした。
関連論文リスト
- Faithful Path Language Modelling for Explainable Recommendation over
Knowledge Graph [16.531887794171666]
PEARLMは,言語モデリングによるユーザ行動や製品側の知識を効率的に捉える新しい手法である。
我々のアプローチでは、知識グラフの埋め込みは言語モデルによってKG上の経路から直接学習され、同じ最適化空間におけるエンティティと関係を統一する。
論文 参考訳(メタデータ) (2023-10-25T08:14:49Z) - Knowledge Graph Embedding: An Overview [42.16033541753744]
本稿では,知識グラフの完成に関する現在の研究状況について概観する。
我々は,KG埋め込み(KGE)設計の2つの主要分野に焦点を当てた:1)距離ベース手法と2)意味マッチング方式である。
次に,2次元および3次元アフィン操作からインスピレーションを得る複合Eと複合E3Dを探索する。
論文 参考訳(メタデータ) (2023-09-21T21:52:42Z) - Ripple Knowledge Graph Convolutional Networks For Recommendation Systems [10.00768505202798]
本稿では,各ユーザの好みを動的に分析し,適切な項目を推薦する,RKGCNというエンド・ツー・エンドのディープラーニングモデルを提案する。
アイテム側とユーザ側の知識グラフを組み合わせて表現を強化し、知識グラフにおける豊富な情報の利用を最大化する。
論文 参考訳(メタデータ) (2023-05-02T01:35:57Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。
具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。
我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文 参考訳(メタデータ) (2022-05-08T08:19:40Z) - Deep Embedded Multi-View Clustering via Jointly Learning Latent
Representations and Graphs [13.052394521739192]
DMVCJ (Jointly Learning Latent Representation and Graphs) を用いたディープ埋め込み型マルチビュークラスタリングを提案する。
潜在グラフと特徴表現を共同で学習することにより,我々のモデルでグラフ畳み込みネットワーク(GCN)技術が利用可能となる。
潜在グラフに示すノードの隣接関係に基づいて、ノイズを緩和するためのサンプル重み付け戦略を設計する。
論文 参考訳(メタデータ) (2022-05-08T07:40:21Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - PPKE: Knowledge Representation Learning by Path-based Pre-training [43.41597219004598]
PPKEと呼ばれる知識埋め込み学習のためのパスベース事前学習モデルを提案する。
本モデルはリンク予測と関係予測タスクのためのいくつかのベンチマークデータセットで最新の結果を得る。
論文 参考訳(メタデータ) (2020-12-07T10:29:30Z) - MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down
Distillation [153.56211546576978]
本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。
このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。
実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
論文 参考訳(メタデータ) (2020-08-27T13:04:27Z)
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。