論文の概要: EM-RBR: a reinforced framework for knowledge graph completion from reasoning perspective

• arxiv url: http://arxiv.org/abs/2009.08656v2
• Date: Sun, 11 Oct 2020 17:36:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 02:58:12.463023
• Title: EM-RBR: a reinforced framework for knowledge graph completion from reasoning perspective
• Title（参考訳）: EM-RBR:推論の観点からの知識グラフ補完のための強化フレームワーク
• Authors: Zhaochong An, Bozhou Chen, Houde Quan, Qihui Lin, Hongzhi Wang
• Abstract要約: 本稿では,ルールに基づく推論の利点と組込みの最先端モデルを組み合わせた,EM-RBRという汎用フレームワークを提案する。 EM-RBRは、ルールに含まれる関係背景知識を利用して、多関係推論リンク予測を行う。 実験では,従来のFB15k,WN18および新しいデータセットFB15k-Rと比較して,EM-RBRが優れた性能を発揮することを示した。
• 参考スコア（独自算出の注目度）: 3.6188659868203397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph completion aims to predict the new links in given entities among the knowledge graph (KG). Most mainstream embedding methods focus on fact triplets contained in the given KG, however, ignoring the rich background information provided by logic rules driven from knowledge base implicitly. To solve this problem, in this paper, we propose a general framework, named EM-RBR(embedding and rule-based reasoning), capable of combining the advantages of reasoning based on rules and the state-of-the-art models of embedding. EM-RBR aims to utilize relational background knowledge contained in rules to conduct multi-relation reasoning link prediction rather than superficial vector triangle linkage in embedding models. By this way, we can explore relation between two entities in deeper context to achieve higher accuracy. In experiments, we demonstrate that EM-RBR achieves better performance compared with previous models on FB15k, WN18 and our new dataset FB15k-R, especially the new dataset where our model perform futher better than those state-of-the-arts. We make the implementation of EM-RBR available at https://github.com/1173710224/link-prediction-with-rule-based-reasoning.
• Abstract（参考訳）: 知識グラフ補完は、知識グラフ(KG)内の与えられたエンティティ内の新しいリンクを予測することを目的としている。 ほとんどの主流の埋め込み手法は、与えられたKGに含まれる事実三重項に焦点を当て、知識ベースから暗黙的に駆動される論理規則によって提供される豊富な背景情報を無視する。 そこで本稿では,em-rbr(embedding and rule-based reasoning)と呼ばれる汎用フレームワークを提案する。 EM-RBRは, 埋め込みモデルにおける表面ベクトル三角形リンクよりも, 多関係推論リンク予測を行うために, 規則に含まれる関係背景知識を活用することを目的としている。 このようにして、より深い文脈で2つのエンティティ間の関係を探索し、高い精度を達成することができる。 実験では,従来のFB15kやWN18,新たなデータセットであるFB15k-Rと比較して,EM-RBRの性能が向上することが実証された。 EM-RBRの実装はhttps://github.com/1173710224/link-prediction-with-rule-based-reasoningで公開しています。

関連論文リスト

• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• CascadER: Cross-Modal Cascading for Knowledge Graph Link Prediction [22.96768147978534]
  本稿では,効率を向上しつつ,完全アンサンブルのランキング精度を維持するための階層型ランキングアーキテクチャCascaderを提案する。 CascadER は LM を用いて、より効率的な KGE の出力を再現し、KGE の精度向上を最大化しつつ、LM を最小限に呼び出すための適応的なサブセット選択方式に依存している。 実験により, モデル間の多様性と個々のモデルの信頼性信号の保存がカスケーダの有効性を説明するのに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-05-16T22:55:45Z)
• Simple and Effective Relation-based Embedding Propagation for Knowledge Representation Learning [15.881121633396832]
  本稿では,事前学習したグラフ埋め込みを文脈に適応させるために,Relation-based Embedding Propagation (REP)法を提案する。 我々は,REPがOGBL-WikiKG2上の三重項埋め込み法に対して10%の相対的な改善をもたらすことを示した。 最先端のGC-OTEと同等の結果を得るには5%-83%の時間を要する。
  論文  参考訳（メタデータ） (2022-05-13T06:02:13Z)
• Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion [59.093293389123424]
  すべてのルールベースの知識ベースコンプリートモデルが同じではないことを示す。 1)関係の混合と,2)経路の混合の2つの異なるアプローチを提案する。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは、平均相互ランクにおいて、最先端のKBC精度を2-10%向上させる。
  論文  参考訳（メタデータ） (2021-09-16T17:54:56Z)
• SAFRAN: An interpretable, rule-based link prediction method outperforming embedding models [5.52834593453565]
  SAFRANは、非冗長ノイズORと呼ばれる新しいアグリゲーションアプローチを用いて、アグリゲーション前に冗長なルールを検出し、クラスタ化する。 SAFRANは、確立された汎用ベンチマーク FB15K-237, WN18RR, YAGO3-10 上で、完全に解釈可能なリンク予測のための新しい最先端の結果を得る。 これはFB15K-237とWN18RR上の複数の確立された埋め込みベースのアルゴリズムよりも優れており、YAGO3-10上のルールベースのアルゴリズムと埋め込みベースのアルゴリズムのギャップを狭める。
  論文  参考訳（メタデータ） (2021-09-16T14:18:29Z)
• 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)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)

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。