論文の概要: Type-augmented Relation Prediction in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2009.07938v3
- Date: Fri, 26 Feb 2021 22:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 22:45:11.586114
- Title: Type-augmented Relation Prediction in Knowledge Graphs
- Title（参考訳）: 知識グラフにおける型推論関係予測
- Authors: Zijun Cui, Pavan Kapanipathi, Kartik Talamadupula, Tian Gao, Qiang Ji
- Abstract要約: 本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。
提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
- 参考スコア（独自算出の注目度）: 65.88395564516115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graphs (KGs) are of great importance to many real world
applications, but they generally suffer from incomplete information in the form
of missing relations between entities. Knowledge graph completion (also known
as relation prediction) is the task of inferring missing facts given existing
ones. Most of the existing work is proposed by maximizing the likelihood of
observed instance-level triples. Not much attention, however, is paid to the
ontological information, such as type information of entities and relations. In
this work, we propose a type-augmented relation prediction (TaRP) method, where
we apply both the type information and instance-level information for relation
prediction. In particular, type information and instance-level information are
encoded as prior probabilities and likelihoods of relations respectively, and
are combined by following Bayes' rule. Our proposed TaRP method achieves
significantly better performance than state-of-the-art methods on four
benchmark datasets: FB15K, FB15K-237, YAGO26K-906, and DB111K-174. In addition,
we show that TaRP achieves significantly improved data efficiency. More
importantly, the type information extracted from a specific dataset can
generalize well to other datasets through the proposed TaRP model.
- Abstract（参考訳）: 知識グラフ(kgs)は多くの実世界のアプリケーションにとって非常に重要であるが、一般にエンティティ間の関係が欠如しているという形で不完全な情報に苦しむ。
知識グラフ補完(英: Knowledge graph completion)または関係予測(英: Relation prediction)は、既存の事実を推測するタスクである。
既存の作業の大部分は、観測されたインスタンスレベルのトリプルの可能性の最大化によって提案されている。
しかし、実体の型情報や関係などの存在論的情報にはあまり注意が払われていない。
本研究では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。
特に、型情報とインスタンスレベルの情報は、それぞれ事前確率と関係の可能性として符号化され、ベイズの規則に従って結合される。
提案手法は, FB15K, FB15K-237, YAGO26K-906, DB111K-174の4つのベンチマークデータセットに対して, 最先端の手法よりも高い性能を実現する。
さらに,TaRPはデータ効率を大幅に向上することを示す。
さらに重要なのは、特定のデータセットから抽出された型情報は、提案されたTaRPモデルを通じて、他のデータセットによく一般化することができることだ。
関連論文リスト
- Multiple Relations Classification using Imbalanced Predictions
Adaptation [0.0]
関係分類タスクは、対象物と対象物のペアに適切な意味関係を割り当てる。
現在の関係分類モデルは、1つの文で複数の関係を識別する追加の手順を用いる。
本稿では,これらの課題に対処する複数の関係分類モデルを提案する。
論文 参考訳（メタデータ） (2023-09-24T18:36:22Z) - 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) - Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph
Construction [57.854498238624366]
本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。
RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
論文 参考訳（メタデータ） (2022-10-19T16:40:28Z) - A Simple yet Effective Relation Information Guided Approach for Few-Shot
Relation Extraction [22.60428265210431]
Few-Shot Relation extractは、文中の一対の実体の関係を、各関係にいくつかのラベル付き例で訓練することによって予測することを目的としている。
原型ネットワークに基づくモデル学習を支援するための関係情報を導入した最近の研究もある。
関係情報はモデルにより明確かつ効果的に導入できると論じる。
論文 参考訳（メタデータ） (2022-05-19T13:03:01Z) - Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。
各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。
実験結果は,提案手法の有効性と有用性を検証した。
論文 参考訳（メタデータ） (2021-04-21T09:06:54Z) - Mining Feature Relationships in Data [0.0]
特徴関係マイニング(FRM)は、データの連続的または分類的特徴間の象徴的関係を自動的に発見する遺伝的プログラミング手法である。
提案手法は,特徴間の関係を明確に発見することを目的とした,最初の象徴的アプローチである。
実世界の様々なデータセットに対する実証テストにより、提案手法は高品質で単純な特徴関係を見つけることができることを示した。
論文 参考訳（メタデータ） (2021-02-02T07:06:16Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - 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) - Learning Unbiased Representations via Mutual Information Backpropagation [36.383338079229695]
特に、モデルによって学習された場合、データのいくつかの属性(バイアス)が一般化特性を著しく損なう可能性がある場合に直面します。
本稿では,学習した表現とデータ属性の相互情報を同時に推定し,最小化する,新しいエンドツーエンド最適化手法を提案する。
論文 参考訳（メタデータ） (2020-03-13T18:06:31Z)
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。