論文の概要: Dynamic Anticipation and Completion for Multi-Hop Reasoning over Sparse Knowledge Graph

• arxiv url: http://arxiv.org/abs/2010.01899v1
• Date: Mon, 5 Oct 2020 10:28:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 21:33:07.102757
• Title: Dynamic Anticipation and Completion for Multi-Hop Reasoning over Sparse Knowledge Graph
• Title（参考訳）: スパース知識グラフを用いたマルチホップ推論の動的予測と完了
• Authors: Xin Lv, Xu Han, Lei Hou, Juanzi Li, Zhiyuan Liu, Wei Zhang, Yichi Zhang, Hao Kong, Suhui Wu
• Abstract要約: 近年,知識グラフ(KG)完成のための効果的かつ解釈可能な手法を模索するために,マルチホップ推論が広く研究されている。 従来の推論手法のほとんどは、エンティティ間の十分な経路を持つ高密度KG向けに設計されているが、推論のためのスパースパスのみを含むスパースKGではうまく機能しない。 我々は,新しい動的予測と完了戦略を適用し,スパースKGよりもDacKGRという名前のマルチホップ推論モデルを提案する。
• 参考スコア（独自算出の注目度）: 42.220790242917325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop reasoning has been widely studied in recent years to seek an effective and interpretable method for knowledge graph (KG) completion. Most previous reasoning methods are designed for dense KGs with enough paths between entities, but cannot work well on those sparse KGs that only contain sparse paths for reasoning. On the one hand, sparse KGs contain less information, which makes it difficult for the model to choose correct paths. On the other hand, the lack of evidential paths to target entities also makes the reasoning process difficult. To solve these problems, we propose a multi-hop reasoning model named DacKGR over sparse KGs, by applying novel dynamic anticipation and completion strategies: (1) The anticipation strategy utilizes the latent prediction of embedding-based models to make our model perform more potential path search over sparse KGs. (2) Based on the anticipation information, the completion strategy dynamically adds edges as additional actions during the path search, which further alleviates the sparseness problem of KGs. The experimental results on five datasets sampled from Freebase, NELL and Wikidata show that our method outperforms state-of-the-art baselines. Our codes and datasets can be obtained from https://github.com/THU-KEG/DacKGR
• Abstract（参考訳）: 近年,知識グラフ(KG)完成のための効果的かつ解釈可能な手法を模索するために,マルチホップ推論が広く研究されている。 従来の推論手法のほとんどは、エンティティ間の十分な経路を持つ高密度KG向けに設計されているが、推論のためのスパースパスのみを含むスパースKGではうまく機能しない。 一方、スパースKGは情報が少ないため、モデルが正しい経路を選択することは困難である。 一方,対象物に対する明らかな経路の欠如は推論過程を困難にしている。 これらの問題を解決するために,本研究では,新しい動的予測と完了戦略を適用したマルチホップ推論モデルであるDacKGRを提案する。 2) 完成戦略は,予測情報に基づいて経路探索中にエッジを動的に追加し,KGのスパース性問題を緩和する。 Freebase,NELL,Wikidataの5つのデータセットに対する実験結果から,本手法が最先端のベースラインより優れていることが示された。 私たちのコードとデータセットはhttps://github.com/THU-KEG/DacKGRから取得できます。

関連論文リスト

• Paths-over-Graph: Knowledge Graph Empowered Large Language Model Reasoning [19.442426875488675]
  我々は,KGから知識推論経路を統合することで,Large Language Models(LLM)推論を強化する新しい手法であるPaths-over-Graph(PoG)を提案する。 PoGは3段階の動的マルチホップパス探索を通じて、マルチホップとマルチエンタリティの問題に取り組む。 実験では、GPT-3.5-TurboのPoGは、GPT-4のToGを最大23.9%上回った。
  論文  参考訳（メタデータ） (2024-10-18T06:57:19Z)
• Look Globally and Reason: Two-stage Path Reasoning over Sparse Knowledge Graphs [70.8150181683017]
  スパース知識グラフ(英: Sparse Knowledge Graphs、KG)は、より人口密度の高いKGに比べて、(ヘッドエンティティ、リレーショナル、テールエンティティ)の形での事実が少ない。 スパースKGに対してLoGRe(Look Globally and Reason)と呼ばれる2段階経路推論モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-26T07:10:27Z)
• ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
  本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。 また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。 実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-30T07:18:54Z)
• PyGraft: Configurable Generation of Synthetic Schemas and Knowledge Graphs at Your Fingertips [3.5923669681271257]
  PyGraftはPythonベースのツールで、カスタマイズされたドメインに依存しないスキーマとKGを生成する。 我々は,グラフベース機械学習(ML)などの領域において,新たなアプローチをベンチマークする上で,より多様なKGの生成を促進することを目的としている。 MLでは、モデルパフォーマンスと一般化能力のより包括的な評価が促進され、利用可能なベンチマークの限られたコレクションを超えることになる。
  論文  参考訳（メタデータ） (2023-09-07T13:00:09Z)
• Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion [20.45256490854869]
  本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。 提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
  論文  参考訳（メタデータ） (2023-06-29T15:35:34Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• SQUIRE: A Sequence-to-sequence Framework for Multi-hop Knowledge Graph Reasoning [21.53970565708247]
  トリプルクエリを与えられたマルチホップ推論タスクは、推論プロセスを示す明確なパスを提供することを目的としている。 SQUIREはSequence-to-Sequenceベースのマルチホップ推論フレームワークである。
  論文  参考訳（メタデータ） (2022-01-17T04:22:54Z)
• 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。