論文の概要: Efficient Knowledge Graph Validation via Cross-Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2008.06995v1
• Date: Sun, 16 Aug 2020 20:51:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 08:57:39.984790
• Title: Efficient Knowledge Graph Validation via Cross-Graph Representation Learning
• Title（参考訳）: クロスグラフ表現学習による知識グラフの有効検証
• Authors: Yaqing Wang, Fenglong Ma, Jing Gao
• Abstract要約: ノイズの多い事実は、自動抽出によって引き起こされる可能性のある知識グラフに必然的に導入されます。 対象KGの事実を効率的に検証するために外部KGを活用するクロスグラフ表現学習フレームワークであるCrossValを提案する。
• 参考スコア（独自算出の注目度）: 40.570585195713704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in information extraction have motivated the automatic construction of huge Knowledge Graphs (KGs) by mining from large-scale text corpus. However, noisy facts are unavoidably introduced into KGs that could be caused by automatic extraction. To validate the correctness of facts (i.e., triplets) inside a KG, one possible approach is to map the triplets into vector representations by capturing the semantic meanings of facts. Although many representation learning approaches have been developed for knowledge graphs, these methods are not effective for validation. They usually assume that facts are correct, and thus may overfit noisy facts and fail to detect such facts. Towards effective KG validation, we propose to leverage an external human-curated KG as auxiliary information source to help detect the errors in a target KG. The external KG is built upon human-curated knowledge repositories and tends to have high precision. On the other hand, although the target KG built by information extraction from texts has low precision, it can cover new or domain-specific facts that are not in any human-curated repositories. To tackle this challenging task, we propose a cross-graph representation learning framework, i.e., CrossVal, which can leverage an external KG to validate the facts in the target KG efficiently. This is achieved by embedding triplets based on their semantic meanings, drawing cross-KG negative samples and estimating a confidence score for each triplet based on its degree of correctness. We evaluate the proposed framework on datasets across different domains. Experimental results show that the proposed framework achieves the best performance compared with the state-of-the-art methods on large-scale KGs.
• Abstract（参考訳）: 情報抽出の最近の進歩は、大規模テキストコーパスからのマイニングによる巨大な知識グラフ(KG)の自動構築を動機付けている。 しかし、騒がしい事実は自動抽出によって引き起こされる可能性があるkgに不可避に導入される。 kg内の事実(すなわち三重項)の正しさを検証するためには、事実の意味的意味を捉えて三重項をベクトル表現にマッピングするアプローチが考えられる。 知識グラフに対して多くの表現学習手法が開発されているが、これらの手法は検証には有効ではない。 彼らは通常、事実は正しいと仮定するので、ノイズの多い事実を過度に当てはめ、そのような事実を検出するのに失敗する可能性がある。 有効なKG検証に向けて、ターゲットKGのエラー検出を支援する補助情報源として、外部の人造KGを活用することを提案する。 外部KGは人為的な知識リポジトリ上に構築されており、精度が高い傾向にある。 一方で、テキストからの情報抽出によって構築されるターゲットkgは精度が低いが、人間によるリポジトリにない新規またはドメイン固有の事実をカバーできる。 この課題に対処するために,対象KGの事実を効率的に検証するために外部KGを活用するクロスグラフ表現学習フレームワークであるCrossValを提案する。 これは、その意味的意味に基づいて三重項を埋め込み、その正しさに基づいて各三重項に対する信頼度を推定することで達成される。 提案フレームワークは異なるドメインにまたがるデータセットについて評価する。 実験結果から,提案手法は大規模KGの最先端手法と比較して高い性能を示した。

関連論文リスト

• Can LLMs be Good Graph Judger for Knowledge Graph Construction? [33.958327252291]
  本稿では,上記の課題に対処するための知識グラフ構築フレームワークであるGraphJudgerを提案する。 提案手法には,エンティティ中心の反復的テキスト記述,知識認識型指導チューニング,グラフ判断の3つの革新的なモジュールが導入されている。 2つの一般的なテキストグラフペアデータセットと1つのドメイン固有のテキストグラフペアデータセットによる実験は、ベースライン法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-11-26T12:46:57Z)
• Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation [51.47994645529258]
  Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。 本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T21:40:35Z)
• Deep Outdated Fact Detection in Knowledge Graphs [13.711099395945988]
  本稿では,知識グラフ(KG)内の古い事実を識別するために設計された,新しいディープラーニングベースのフレームワークであるDEANを提案する。 DEANは、実体と関係の包括的モデリングを通じて、事実間の暗黙的な構造情報をキャプチャすることで、自分自身を区別する。 実験により, 最先端のベースライン法に対するDEANの有効性と優位性を示した。
  論文  参考訳（メタデータ） (2024-02-06T05:58:15Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• Contrastive Knowledge Graph Error Detection [11.637359888052014]
  提案する新しいフレームワーク - ContrAstive Knowledge Graph Error Detection (CAGED) を提案する。 CAGEDは、KG学習に対照的な学習を導入し、KGモデリングの新しい方法を提供する。 KGエラー検出における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-18T05:01:19Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
  知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。 本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-15T12:16:10Z)
• Trustworthy Knowledge Graph Completion Based on Multi-sourced Noisy Data [35.938323660176145]
  我々は,KGにおけるマルチソースノイズデータと既存事実に基づく知識グラフの事実を利用する,信頼に値する新しい手法を提案する。 具体的には,総合的なスコアリング機能を備えたグラフニューラルネットワークを導入し,さまざまな値型で事実の妥当性を判定する。 本稿では、データソースの品質を事実スコアリング機能に組み込んだ真理推論モデルを提案し、異質な値から真理を推測する半教師付き学習方法を設計する。
  論文  参考訳（メタデータ） (2022-01-21T07:59:16Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)

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。