論文の概要: AutoETER: Automated Entity Type Representation for Knowledge Graph
Embedding
- arxiv url: http://arxiv.org/abs/2009.12030v2
- Date: Tue, 6 Oct 2020 13:52:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 22:12:43.385869
- Title: AutoETER: Automated Entity Type Representation for Knowledge Graph
Embedding
- Title（参考訳）: AutoETER:知識グラフ埋め込みのためのエンティティ型の自動表現
- Authors: Guanglin Niu, Bo Li, Yongfei Zhang, Shiliang Pu, Jingyang Li
- Abstract要約: 我々は、Entity TypE Representation(AutoETER)を用いた新しい知識グラフ埋め込み(KGE)フレームワークを開発した。
我々のアプローチは、すべての関係パターンと複雑な関係をモデル化し、推測することができる。
4つのデータセットの実験は、リンク予測タスクにおける最先端のベースラインと比較して、我々のモデルの優れた性能を示している。
- 参考スコア（独自算出の注目度）: 40.900070190077024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in Knowledge Graph Embedding (KGE) allow for representing
entities and relations in continuous vector spaces. Some traditional KGE models
leveraging additional type information can improve the representation of
entities which however totally rely on the explicit types or neglect the
diverse type representations specific to various relations. Besides, none of
the existing methods is capable of inferring all the relation patterns of
symmetry, inversion and composition as well as the complex properties of 1-N,
N-1 and N-N relations, simultaneously. To explore the type information for any
KG, we develop a novel KGE framework with Automated Entity TypE Representation
(AutoETER), which learns the latent type embedding of each entity by regarding
each relation as a translation operation between the types of two entities with
a relation-aware projection mechanism. Particularly, our designed automated
type representation learning mechanism is a pluggable module which can be
easily incorporated with any KGE model. Besides, our approach could model and
infer all the relation patterns and complex relations. Experiments on four
datasets demonstrate the superior performance of our model compared to
state-of-the-art baselines on link prediction tasks, and the visualization of
type clustering provides clearly the explanation of type embeddings and
verifies the effectiveness of our model.
- Abstract（参考訳）: 知識グラフ埋め込み(KGE)の最近の進歩により、連続ベクトル空間における実体と関係を表現することができる。
いくつかの伝統的なKGEモデルは、追加の型情報を活用することで、明示的な型に完全に依存するエンティティの表現を改善することができる。
さらに、既存の方法のどれも対称性、反転、組成のすべての関係パターンを同時に推測することができず、1-N、N-1、N-Nの関係の複素特性も同時に推測できない。
任意のKGの型情報を探索するために,各エンティティの潜在型埋め込みを2つのエンティティの型間の翻訳操作として,関係認識プロジェクション機構を用いて学習する,Automated Entity TypE Representation (AutoETER) を用いた新しいKGEフレームワークを開発した。
特に,我々の設計した自動型表現学習機構は,どのKGEモデルにも容易に組み込めるプラグインモジュールである。
さらに、我々のアプローチは、すべての関係パターンと複雑な関係をモデル化し、推測することができる。
4つのデータセットにおける実験は、リンク予測タスクにおける最先端のベースラインと比較して、モデルの優れたパフォーマンスを示し、型クラスタリングの可視化は、型埋め込みの説明を明確にし、モデルの有効性を検証する。
関連論文リスト
- Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。
本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。
我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
論文 参考訳（メタデータ） (2024-10-16T08:54:52Z) - AsyncET: Asynchronous Learning for Knowledge Graph Entity Typing with
Auxiliary Relations [42.16033541753744]
複数の補助関係を導入することで知識グラフ埋め込み(KGE)手法の表現性を向上させる。
類似のエンティティタイプは、補助的な関係の数を減らし、異なる粒度を持つエンティティタイプのパターンをモデル化する能力を改善するためにグループ化される。
KGETタスクにおけるKGEメソッドの性能を大幅に改善できることを示すために、2つの一般的なKGETデータセットで実験を行った。
論文 参考訳（メタデータ） (2023-08-30T14:24:16Z) - A Comprehensive Study on Knowledge Graph Embedding over Relational
Patterns Based on Rule Learning [49.09125100268454]
KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。
関係パターンはKGEモデルの性能において重要な要素である。
我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T17:30:57Z) - Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。
被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。
プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。
PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
論文 参考訳（メタデータ） (2023-03-13T13:30:59Z) - Link Prediction with Attention Applied on Multiple Knowledge Graph
Embedding Models [7.620967781722715]
知識グラフは、地図ノードをベクトル空間に埋め込み、新しいリンクを予測する。
すべてのパターンを平等に学習できるモデルはありません。
本稿では,複数のモデルからのクエリ表現を統一的に組み合わせ,各モデルによって独立にキャプチャされたパターンを組み込む。
論文 参考訳（メタデータ） (2023-02-13T10:07:26Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2021-03-29T14:37:35Z) - Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
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。
論文 参考訳（メタデータ） (2020-09-16T21:14:18Z) - Multi-Partition Embedding Interaction with Block Term Format for
Knowledge Graph Completion [3.718476964451589]
知識グラフ埋め込み法は、実体と関係を埋め込みベクトルとして表現することでタスクを実行する。
従来の作業は通常、各埋め込み全体を扱い、これらの埋め込み全体間の相互作用をモデル化してきた。
本稿では,ブロック項形式を用いたマルチパーティション埋め込み相互作用(MEI)モデルを提案し,この問題に対処する。
論文 参考訳（メタデータ） (2020-06-29T20:37:11Z) - Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。
我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。
特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
論文 参考訳（メタデータ） (2020-04-30T23:58:03Z)
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。