論文の概要: TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation
- arxiv url: http://arxiv.org/abs/2010.01029v2
- Date: Sat, 24 Oct 2020 22:42:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 00:13:59.151984
- Title: TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation
- Title(参考訳): tero: 時間軸回転による時間認識知識グラフ埋め込み
- Authors: Chengjin Xu, Mojtaba Nayyeri, Fouad Alkhoury, Hamed Shariat Yazdi,
Jens Lehmann
- Abstract要約: 本稿では,TKG埋め込みの新しいアプローチであるTeRoについて述べる。
提案モデルでは,既存のKG埋め込みモデルとTKG埋め込みモデルの限界を克服する。
4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
- 参考スコア(独自算出の注目度): 12.138550487430807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last few years, there has been a surge of interest in learning
representations of entitiesand relations in knowledge graph (KG). However, the
recent availability of temporal knowledgegraphs (TKGs) that contain time
information for each fact created the need for reasoning overtime in such TKGs.
In this regard, we present a new approach of TKG embedding, TeRo, which defines
the temporal evolution of entity embedding as a rotation from the initial time
to the currenttime in the complex vector space. Specially, for facts involving
time intervals, each relation isrepresented as a pair of dual complex
embeddings to handle the beginning and the end of therelation, respectively. We
show our proposed model overcomes the limitations of the existing KG embedding
models and TKG embedding models and has the ability of learning and
inferringvarious relation patterns over time. Experimental results on four
different TKGs show that TeRo significantly outperforms existing
state-of-the-art models for link prediction. In addition, we analyze the effect
of time granularity on link prediction over TKGs, which as far as we know
hasnot been investigated in previous literature.
- Abstract(参考訳): 近年,知識グラフ(KG)における実体と関係の表現の学習への関心が高まっている。
しかし,近年の時間情報を含む時間的知識グラフ(TKG)の利用可能化により,このようなTKGの残業理由付けの必要性が高まった。
本稿では,TKG埋め込みの新たなアプローチであるTeRoについて述べる。これは,実体埋め込みの時間的進化を,複素ベクトル空間における初期から現在までの回転として定義するものである。
特に、時間間隔を含む事実について、それぞれの関係は、関係の開始と終了をそれぞれ扱う2つの複素埋め込みのペアとして表現される。
提案手法は,既存のkg埋め込みモデルとtkg埋め込みモデルの限界を克服し,時間とともに学習し,異種関係パターンを推測する能力を有することを示す。
4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
また,TKGのリンク予測における時間粒度の影響を,これまでの文献では調査されていない。
関連論文リスト
- Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。
本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。
グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
論文 参考訳(メタデータ) (2024-08-27T08:19:34Z) - Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。
既存のTKG推論モデルは、不確実な予測を控えることができない。
本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
論文 参考訳(メタデータ) (2024-04-02T06:56:21Z) - Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。
LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。
また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
論文 参考訳(メタデータ) (2023-12-04T08:23:09Z) - A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and
Prospects [73.44022660932087]
時間的特性は、かなりの量の知識で顕著に明らかである。
新たな知識の継続的な出現、構造化されていないデータから構造化された情報を抽出するアルゴリズムの弱点、ソースデータセットにおける情報の欠如を引用する。
TKGC(Temporal Knowledge Graph Completion)のタスクは、利用可能な情報に基づいて行方不明アイテムを予測することを目的として、注目を集めている。
論文 参考訳(メタデータ) (2023-08-04T16:49:54Z) - Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph [4.103806361930888]
時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。
本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。
MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T09:52:26Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - Learning Meta Representations of One-shot Relations for Temporal
Knowledge Graph Link Prediction [33.36701435886095]
近年,静的知識グラフ(KG)のリレーショナル学習が注目されている。
TKGには豊富な時間情報が含まれており、モデリングには時間的推論技術が必要である。
これは、時間的文脈で少数のショットの関係を学ぶ上で大きな課題となる。
論文 参考訳(メタデータ) (2022-05-21T15:17:52Z) - Temporal Knowledge Graph Reasoning Based on Evolutional Representation
Learning [59.004025528223025]
将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。
TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。
グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
論文 参考訳(メタデータ) (2021-04-21T05:12:21Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳(メタデータ) (2021-02-05T21:04:31Z) - T-GAP: Learning to Walk across Time for Temporal Knowledge Graph
Completion [13.209193437124881]
時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。
エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。
本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
論文 参考訳(メタデータ) (2020-12-19T04:45:32Z) - TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion [45.588053447288566]
時間的知識グラフ(TKGs)に欠落した事実を推測することは、基本的で困難な課題である。
本稿では、グラフニューラルネットワーク、時間力学モデル、データインプット、周波数ベースのゲーティング技術を組み合わせることで、これらの課題に対処するTemporal Message Passing(TeMP)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-07T17:11:53Z)
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。