論文の概要: Entity Type Prediction in Knowledge Graphs using Embeddings
- arxiv url: http://arxiv.org/abs/2004.13702v2
- Date: Wed, 6 May 2020 14:16:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 22:07:49.540818
- Title: Entity Type Prediction in Knowledge Graphs using Embeddings
- Title（参考訳）: 埋め込みを用いた知識グラフにおけるエンティティ型予測
- Authors: Russa Biswas, Radina Sofronova, Mehwish Alam, Harald Sack
- Abstract要約: オープンナレッジグラフ(DBpedia、Wikidata、YAGOなど)は、データマイニングと情報検索の分野における多様なアプリケーションのバックボーンとして認識されている。
これらのKGのほとんどは、スナップショットからの自動情報抽出またはユーザーが提供する情報蓄積によって作成されるか、ウィキペディアを用いて作成される。
これらのKGの型情報は、しばしばうるさい、不完全、不正確である。
KG埋め込みを用いたエンティティタイピングのためのマルチラベル分類手法を提案する。
- 参考スコア（独自算出の注目度）: 2.7528170226206443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Open Knowledge Graphs (such as DBpedia, Wikidata, YAGO) have been recognized
as the backbone of diverse applications in the field of data mining and
information retrieval. Hence, the completeness and correctness of the Knowledge
Graphs (KGs) are vital. Most of these KGs are mostly created either via an
automated information extraction from Wikipedia snapshots or information
accumulation provided by the users or using heuristics. However, it has been
observed that the type information of these KGs is often noisy, incomplete, and
incorrect. To deal with this problem a multi-label classification approach is
proposed in this work for entity typing using KG embeddings. We compare our
approach with the current state-of-the-art type prediction method and report on
experiments with the KGs.
- Abstract（参考訳）: オープン知識グラフ(DBpedia、Wikidata、YAGOなど)は、データマイニングと情報検索の分野における多様なアプリケーションのバックボーンとして認識されている。
したがって、知識グラフ(KG)の完全性と正確性は不可欠である。
これらのKGのほとんどは、ウィキペディアのスナップショットから自動で情報抽出するか、ユーザーが提供する情報蓄積か、ヒューリスティックを使って作成される。
しかしながら、これらのKGsの型情報は、しばしばうるさい、不完全、不正確である。
この問題に対処するために、KG埋め込みを用いたエンティティタイピングのためのマルチラベル分類手法を提案する。
我々は,現在の最先端型予測手法と比較し,KGを用いた実験について報告する。
関連論文リスト
- Learning Rules from KGs Guided by Language Models [48.858741745144044]
ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。
規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。
近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
論文 参考訳（メタデータ） (2024-09-12T09:27:36Z) - Universal Preprocessing Operators for Embedding Knowledge Graphs with
Literals [2.211868306499727]
知識グラフ埋め込みは知識グラフ(KG)におけるエンティティの密度数値表現である
本稿では,KGを数値情報,時間情報,テキスト情報,画像情報などのリテラルで変換できる汎用プリプロセッシング演算子を提案する。
3つの異なる埋め込み法によるkgbenchデータセットの結果は有望な結果を示した。
論文 参考訳（メタデータ） (2023-09-06T14:08:46Z) - Text-To-KG Alignment: Comparing Current Methods on Classification Tasks [2.191505742658975]
知識グラフ(KG)は、事実情報の密集した構造化された表現を提供する。
最近の研究は、追加のコンテキストとしてKGから情報を取得するパイプラインモデルの作成に重点を置いている。
現在のメソッドが、アライメントされたサブグラフがクエリに完全に関連しているシナリオとどのように比較されているかは分かっていない。
論文 参考訳（メタデータ） (2023-06-05T13:45:45Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - KGxBoard: Explainable and Interactive Leaderboard for Evaluation of
Knowledge Graph Completion Models [76.01814380927507]
KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。
実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
論文 参考訳（メタデータ） (2022-08-23T15:11:45Z) - 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) - Typing Errors in Factual Knowledge Graphs: Severity and Possible Ways
Out [11.534085606272242]
金と雑音の両方のラベルの利用を最大化する能動的型付き誤り検出アルゴリズムを提案する。
本研究の結果は、研究者がノイズの多い事実KGを使用するためのガイドラインを提供する。
論文 参考訳（メタデータ） (2021-02-03T21:47:37Z) - Connecting Embeddings for Knowledge Graph Entity Typing [22.617375045752084]
知識グラフ(KG)エンティティタイピングは、KGに欠落する可能性のあるエンティティタイプのインスタンスを推測することを目的としている。
我々は,既存のエンティティ型アサーションから局所型付け知識とKGからのグローバル三重知識を併用して学習した,KGエンティティ型付けのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-21T15:00:01Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳（メタデータ） (2020-04-30T14:16:19Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳（メタデータ） (2020-01-08T01:19:08Z)
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。