論文の概要: Message Passing for Hyper-Relational Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2009.10847v1
• Date: Tue, 22 Sep 2020 22:38:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 21:23:42.161507
• Title: Message Passing for Hyper-Relational Knowledge Graphs
• Title（参考訳）: ハイパーリレーショナル知識グラフのためのメッセージパッシング
• Authors: Mikhail Galkin, Priyansh Trivedi, Gaurav Maheshwari, Ricardo Usbeck, Jens Lehmann
• Abstract要約: 本稿では,このようなハイパーリレーショナルな知識グラフをモデル化可能なメッセージパッシンググラフエンコーダであるStarEを提案する。 StarEは、任意の数の付加情報(修飾子)を主三重項と共に符号化し、修飾子と三重項の意味的役割をそのまま保持することができる。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 7.733963597282456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyper-relational knowledge graphs (KGs) (e.g., Wikidata) enable associating additional key-value pairs along with the main triple to disambiguate, or restrict the validity of a fact. In this work, we propose a message passing based graph encoder - StarE capable of modeling such hyper-relational KGs. Unlike existing approaches, StarE can encode an arbitrary number of additional information (qualifiers) along with the main triple while keeping the semantic roles of qualifiers and triples intact. We also demonstrate that existing benchmarks for evaluating link prediction (LP) performance on hyper-relational KGs suffer from fundamental flaws and thus develop a new Wikidata-based dataset - WD50K. Our experiments demonstrate that StarE based LP model outperforms existing approaches across multiple benchmarks. We also confirm that leveraging qualifiers is vital for link prediction with gains up to 25 MRR points compared to triple-based representations.
• Abstract（参考訳）: ハイパーリレーショナル・ナレッジグラフ(KG)(例えばWikidata)は、追加のキーと値のペアとメインのトリプルを関連付けて曖昧にしたり、事実の有効性を制限することができる。 本研究では,このようなハイパーリレーショナルkgをモデル化可能なメッセージパッシングベースのグラフエンコーダ stare を提案する。 既存のアプローチとは異なり、StarEは任意の数の付加情報(修飾子)と主三重項をエンコードし、修飾子と三重項の意味的な役割をそのまま維持することができる。 また、ハイパーリレーショナルkgsにおけるリンク予測(lp)性能を評価するための既存のベンチマークは根本的な欠陥を抱えており、新しいウィキデータベースのデータセットであるwd50kを開発した。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。 また,三重項表現に比べて最大25mr点のリンク予測には修飾子の利用が不可欠であることを確認した。

関連論文リスト

• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• A Relation-Interactive Approach for Message Passing in Hyper-relational Knowledge Graphs [0.0]
  本稿では,ReSaEと呼ばれるグローバルな関係構造認識能力を備えたメッセージパス方式のグラフエンコーダを提案する。 実験により、ReSaEは複数のリンク予測ベンチマークで最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-02-23T06:55:04Z)
• Adaptive Hypergraph Network for Trust Prediction [23.219647971257725]
  ハイパーグラフは複雑な高次相関をモデル化するための柔軟なアプローチを提供する。 ほとんどのハイパーグラフベースの手法はジェネリックであり、信頼予測タスクにはうまく適用できない。 信頼予測のための適応ハイパーグラフネットワーク(AHNTP)を提案し,高次相関を用いて信頼予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-02-07T15:21:18Z)
• HyperFormer: Enhancing Entity and Relation Interaction for Hyper-Relational Knowledge Graph Completion [25.399684403558553]
  ハイパーリレーショナル知識グラフ(HKG)は、属性値の等式をトリプルに関連付けることによって、標準的な知識グラフを拡張する。 本稿では,三重項の実体,関係,等化子の内容をエンコードする局所レベルシーケンシャル情報を考慮したモデルであるHyperFormerを提案する。
  論文  参考訳（メタデータ） (2023-08-12T09:31:43Z)
• Few-shot Link Prediction on N-ary Facts [70.8150181683017]
  ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
  論文  参考訳（メタデータ） (2023-05-10T12:44:00Z)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• DHGE: Dual-View Hyper-Relational Knowledge Graph Embedding for Link Prediction and Entity Typing [1.2932412290302255]
  本稿では、エンティティのハイパーリレーショナルインスタンスビューと、エンティティから階層的に抽象化された概念のハイパーリレーショナルビューを含むデュアルビューハイパーリレーショナルKG構造(DH-KG)を提案する。 本稿では、DH-KG上のリンク予測とエンティティ型付けタスクを初めて定義し、医療データに基づいてWikidataから抽出された2つのDH-KGデータセットJW44K-6KとHTDMを構築した。
  論文  参考訳（メタデータ） (2022-07-18T12:44:59Z)
• 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)
• Improving Inductive Link Prediction Using Hyper-Relational Facts [15.820005235333882]
  グラフニューラルネットワークを用いた半帰納的および完全帰納的リンク予測タスクにおいて, ハイパーリレーショナルなKGを用いることの利点について検討する。 実験により, 入力エッジ上の等化器は, 絶対ゲインの6%の性能向上につながることが示された。
  論文  参考訳（メタデータ） (2021-07-10T19:16:03Z)
• 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)

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。