論文の概要: CoDEx: A Comprehensive Knowledge Graph Completion Benchmark

• arxiv url: http://arxiv.org/abs/2009.07810v2
• Date: Tue, 6 Oct 2020 09:10:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 22:42:45.190210
• Title: CoDEx: A Comprehensive Knowledge Graph Completion Benchmark
• Title（参考訳）: CoDEx: 総合的な知識グラフ補完ベンチマーク
• Authors: Tara Safavi, Danai Koutra
• Abstract要約: CoDExはWikidataとWikipediaから抽出された知識グラフ補完データセットの集合である。 CoDExは、大きさと構造、実体と関係の多言語記述、数万の強負の三重項からなる。
• 参考スコア（独自算出の注目度）: 16.454849794911084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present CoDEx, a set of knowledge graph completion datasets extracted from Wikidata and Wikipedia that improve upon existing knowledge graph completion benchmarks in scope and level of difficulty. In terms of scope, CoDEx comprises three knowledge graphs varying in size and structure, multilingual descriptions of entities and relations, and tens of thousands of hard negative triples that are plausible but verified to be false. To characterize CoDEx, we contribute thorough empirical analyses and benchmarking experiments. First, we analyze each CoDEx dataset in terms of logical relation patterns. Next, we report baseline link prediction and triple classification results on CoDEx for five extensively tuned embedding models. Finally, we differentiate CoDEx from the popular FB15K-237 knowledge graph completion dataset by showing that CoDEx covers more diverse and interpretable content, and is a more difficult link prediction benchmark. Data, code, and pretrained models are available at https://bit.ly/2EPbrJs.
• Abstract（参考訳）: これはwikidataとwikipediaから抽出された知識グラフ補完データセットであり、既存の知識グラフ補完ベンチマークをスコープと難易度で改善する。 スコープの面では、CoDExは3つの知識グラフからなり、サイズと構造、実体と関係の多言語的な記述、そして数万の強負の3重グラフが成り立っている。 CoDExを特徴付けるために、我々は徹底的な実験分析とベンチマーク実験に貢献する。 まず,各CoDExデータセットを論理的関係パターンを用いて解析する。 次に,5種類の組込みモデルについて,codexにおけるベースラインリンク予測と3重分類結果について報告する。 最後に,一般的なFB15K-237知識グラフ補完データセットとCoDExを区別し,CoDExがより多彩で解釈可能なコンテンツをカバーしていることを示す。 データ、コード、事前訓練されたモデルはhttps://bit.ly/2EPbrJs.comで入手できる。

関連論文リスト

• Efficient Relational Context Perception for Knowledge Graph Completion [25.903926643251076]
  知識グラフ(KG)は知識の構造化された表現を提供するが、しばしば不完全性の課題に悩まされる。 従来の知識グラフ埋め込みモデルは、表現力のある特徴を捉える能力に制限がある。 逐次情報をモデル化し,動的文脈の学習を可能にする三重受容アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T11:25:58Z)
• GraCoRe: Benchmarking Graph Comprehension and Complex Reasoning in Large Language Models [22.705728671135834]
  本稿では,大規模言語モデルのグラフ理解と推論を体系的に評価するベンチマークであるGraCoReを提案する。 GraCoReは、純粋なグラフとヘテロジニアスグラフ上のモデルを分類およびテストするために、3階層の階層分類を使用する。 キーとなる発見は、セマンティックエンリッチメントが推論性能を高め、ノード順序付けがタスクの成功に影響を及ぼし、長いテキストを処理する能力が必ずしもグラフの理解や推論を改善するとは限らないことである。
  論文  参考訳（メタデータ） (2024-07-03T09:12:38Z)
• Wiki Entity Summarization Benchmark [9.25319552487389]
  エンティティの要約は知識グラフにおけるエンティティの簡潔な要約を計算することを目的としている。 既存のデータセットとベンチマークは、しばしば数百のエンティティに制限される。 我々は、エンティティ、要約、およびそれらの接続からなる包括的なベンチマークであるWikESを提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:22:00Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Are Missing Links Predictable? An Inferential Benchmark for Knowledge Graph Completion [79.07695173192472]
  InferWikiは推論能力、仮定、パターンの既存のベンチマークを改善している。 各テストサンプルは、トレーニングセットの支持データで予測可能である。 実験では,大きさや構造が異なるInferWikiの2つの設定をキュレートし,比較データセットとしてCoDExに構築プロセスを適用する。
  論文  参考訳（メタデータ） (2021-08-03T09:51:15Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• Node Co-occurrence based Graph Neural Networks for Knowledge Graph Link Prediction [13.934907240846197]
  NoKEは、知識グラフ補完を改善するために、エンティティ間の共起と関係をグラフニューラルネットワークに統合することを目的としている。 NoKEは、知識グラフ補完のための3つの新しい、挑戦的で困難なベンチマークデータセットCoDExに関する最新の結果を取得します。
  論文  参考訳（メタデータ） (2021-04-15T11:51:52Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。