論文の概要: TransEdge: Translating Relation-contextualized Embeddings for Knowledge
Graphs
- arxiv url: http://arxiv.org/abs/2004.13579v1
- Date: Wed, 22 Apr 2020 03:00:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 17:04:33.104497
- Title: TransEdge: Translating Relation-contextualized Embeddings for Knowledge
Graphs
- Title(参考訳): TransEdge: 知識グラフのための関係記述型埋め込みの翻訳
- Authors: Zequn Sun, Jiacheng Huang, Wei Hu, Muchao Chen, Lingbing Guo, Yuzhong
Qu
- Abstract要約: 近年,知識グラフの埋め込み学習が注目されている。
文学におけるほとんどの埋め込みモデルは、エンティティ埋め込みを操作する線形あるいは双線型写像関数として関係を解釈する。
本稿では,エッジ中心の埋め込みモデルTransEdgeを提案する。
- 参考スコア(独自算出の注目度): 25.484805501929365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning knowledge graph (KG) embeddings has received increasing attention in
recent years. Most embedding models in literature interpret relations as linear
or bilinear mapping functions to operate on entity embeddings. However, we find
that such relation-level modeling cannot capture the diverse relational
structures of KGs well. In this paper, we propose a novel edge-centric
embedding model TransEdge, which contextualizes relation representations in
terms of specific head-tail entity pairs. We refer to such contextualized
representations of a relation as edge embeddings and interpret them as
translations between entity embeddings. TransEdge achieves promising
performance on different prediction tasks. Our experiments on benchmark
datasets indicate that it obtains the state-of-the-art results on
embedding-based entity alignment. We also show that TransEdge is complementary
with conventional entity alignment methods. Moreover, it shows very competitive
performance on link prediction.
- Abstract(参考訳): 近年,学習知識グラフ(KG)の埋め込みが注目されている。
文学におけるほとんどの埋め込みモデルは、エンティティ埋め込みを操作する線形あるいは双線型写像関数として関係を解釈する。
しかし、そのような関係レベルのモデリングは、KGの多様な関係構造をうまく捉えることができない。
本稿では,関係表現を特定のヘッドテールエンティティペアの観点で文脈的に表現する,エッジ中心の埋め込みモデルトランスエッジを提案する。
このような関係の文脈的表現をエッジ埋め込みと呼び、それらをエンティティ埋め込み間の翻訳として解釈する。
transedgeはさまざまな予測タスクで有望なパフォーマンスを実現する。
ベンチマークデータセットを用いた実験により,組込み型エンティティアライメントの最先端結果が得られた。
また、TransEdgeは従来のエンティティアライメント手法と相補的であることを示す。
さらに、リンク予測において非常に競合的な性能を示す。
関連論文リスト
- Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。
本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。
BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
論文 参考訳(メタデータ) (2024-10-09T10:20:54Z) - Location Sensitive Embedding for Knowledge Graph Reasoning [0.0]
翻訳距離モデルの主な課題は、グラフ内の「頭部」と「尾」の実体を効果的に区別できないことである。
この問題に対処するため,新しい位置感応型埋め込み法 (LSE) を開発した。
LSEは、リレーショナルなマッピングを使用してヘッダーを革新的に修正し、リレーショナルトランスフォーメーションを単なる翻訳よりもリレーショナルトランスフォーメーションとして概念化する。
リンク予測のための4つの大規模KGデータセットで実施された実験では、LSEdは性能が優れているか、最先端の関連作品と競合している。
論文 参考訳(メタデータ) (2023-12-01T22:35:19Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳(メタデータ) (2023-09-20T08:11:58Z) - 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) - TransHER: Translating Knowledge Graph Embedding with Hyper-Ellipsoidal
Restriction [14.636054717485207]
本稿では知識グラフ埋め込みのための新しいスコア関数TransHERを提案する。
我々のモデルでは、まずエンティティを2つの別々の超楕円体にマッピングし、その1つについて関係特異的な翻訳を行う。
実験結果から,TransHERは最先端のパフォーマンスを実現し,異なる領域やスケールのデータセットに一般化可能であることが示された。
論文 参考訳(メタデータ) (2022-04-27T22:49:27Z) - TranS: Transition-based Knowledge Graph Embedding with Synthetic
Relation Representation [14.759663752868487]
本稿では,知識グラフ埋め込みのためのトランジションベースの新しい手法TranSを提案する。
従来のスコアリングパターンの単一関係ベクトルを合成関係表現に置き換えることで、これらの問題を効果的かつ効率的に解決することができる。
大規模知識グラフデータセット ogbl-wikikg2 の実験は、我々のモデルが最先端の結果を達成することを示す。
論文 参考訳(メタデータ) (2022-04-18T16:55:25Z) - Entailment Graph Learning with Textual Entailment and Soft Transitivity [69.91691115264132]
テキスト・エンタテインメント・トランジシティー(EGT2)を用いた2段階のエンタテインメント・グラフを提案する。
EGT2 は CCG パースした述語によって形成されるテンプレート文間のテキスト的含意を認識することにより、局所的含意関係を学習する。
生成した局所グラフに基づいて、EGT2は3つの新しいソフトな推移性制約を用いて、包含構造における論理的推移性を考える。
論文 参考訳(メタデータ) (2022-04-07T08:33:06Z) - Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。
相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。
提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
論文 参考訳(メタデータ) (2021-10-10T07:14:52Z) - RatE: Relation-Adaptive Translating Embedding for Knowledge Graph
Completion [51.64061146389754]
複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。
次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
論文 参考訳(メタデータ) (2020-10-10T01:30:30Z) - TransINT: Embedding Implication Rules in Knowledge Graphs with
Isomorphic Intersections of Linear Subspaces [10.79392871079383]
本稿では,知識グラフのための新しい埋め込み手法であるTransINTを提案する。
TransINT は(関係によって成される)実体を、関係含意的に同型に包含順序付けられたベクトルの連続集合に写す。
ベンチマークデータセットでは、リンク予測とトリプル分類において有意なマージンを持つ最先端のルール統合埋め込み手法よりも優れていた。
論文 参考訳(メタデータ) (2020-07-01T06:45:27Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
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。
論文 参考訳(メタデータ) (2020-02-17T03:33:41Z)
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。