論文の概要: Learning from History: Modeling Temporal Knowledge Graphs with
Sequential Copy-Generation Networks
- arxiv url: http://arxiv.org/abs/2012.08492v2
- Date: Fri, 5 Mar 2021 10:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 05:41:15.991540
- Title: Learning from History: Modeling Temporal Knowledge Graphs with
Sequential Copy-Generation Networks
- Title（参考訳）: 歴史から学ぶ:逐次的コピージェネレーションネットワークを用いた時間知識グラフのモデル化
- Authors: Cunchao Zhu, Muhao Chen, Changjun Fan, Guangquan Cheng, Yan Zhan
- Abstract要約: 本稿では,新しいタイムアウェアコピー生成機構に基づく時間知識グラフ,すなわちCyGNetの表現学習モデルを提案する。
cygnetは、エンティティの語彙全体から将来の事実を予測できるだけでなく、繰り返しで事実を識別できるため、過去の既知の事実を参照して、そのような将来の事実を予測できる。
- 参考スコア（独自算出の注目度）: 8.317441990017924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large knowledge graphs often grow to store temporal facts that model the
dynamic relations or interactions of entities along the timeline. Since such
temporal knowledge graphs often suffer from incompleteness, it is important to
develop time-aware representation learning models that help to infer the
missing temporal facts. While the temporal facts are typically evolving, it is
observed that many facts often show a repeated pattern along the timeline, such
as economic crises and diplomatic activities. This observation indicates that a
model could potentially learn much from the known facts appeared in history. To
this end, we propose a new representation learning model for temporal knowledge
graphs, namely CyGNet, based on a novel timeaware copy-generation mechanism.
CyGNet is not only able to predict future facts from the whole entity
vocabulary, but also capable of identifying facts with repetition and
accordingly predicting such future facts with reference to the known facts in
the past. We evaluate the proposed method on the knowledge graph completion
task using five benchmark datasets. Extensive experiments demonstrate the
effectiveness of CyGNet for predicting future facts with repetition as well as
de novo fact prediction.
- Abstract（参考訳）: 大きな知識グラフは、時間軸に沿ったエンティティの動的関係や相互作用をモデル化する時間的事実を保存するために成長する。
このような時相知識グラフは不完全性に苦しむことが多いため、時間認識表現学習モデルの開発が重要である。
時間的事実は典型的に進化しているが、経済危機や外交活動など、多くの事実がタイムラインに沿って繰り返しパターンを示すことが多い。
この観察は、モデルが歴史に現れる既知の事実から多くを学ぶ可能性があることを示している。
そこで本研究では,新しいタイムアウェアコピー生成機構に基づく時間知識グラフ,すなわちCyGNetの表現学習モデルを提案する。
CyGNetは、エンティティの語彙全体から将来の事実を予測するだけでなく、繰り返しで事実を識別し、過去の既知の事実を参照して将来の事実を予測することもできる。
5つのベンチマークデータセットを用いて知識グラフ補完作業における提案手法の評価を行った。
広範囲にわたる実験は、CyGNetが将来の事実の予測とデ・ノボの事実予測に有効であることを実証している。
関連論文リスト
- HIP Network: Historical Information Passing Network for Extrapolation
Reasoning on Temporal Knowledge Graph [14.832067253514213]
今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。
本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。
5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
論文 参考訳（メタデータ） (2024-02-19T11:50:30Z) - Temporal Inductive Path Neural Network for Temporal Knowledge Graph
Reasoning [16.984588879938947]
時間的知識グラフ(TKG)の推論は、過去の出来事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。
既存のほとんどのアプローチでは、グラフ内のノードが知識表現において重要な役割を果たすため、エンティティモデリングに依存するTKGをモデル化する。
実体に依存しない視点で過去の情報をモデル化するTiPNN(Temporal Inductive Path Neural Network)を提案する。
論文 参考訳（メタデータ） (2023-09-06T17:37:40Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - Mitigating Temporal Misalignment by Discarding Outdated Facts [58.620269228776294]
大規模な言語モデルは、しばしば時間的ミスアライメントの下で使われ、現在に関する質問に答える。
我々は、ある事実がいつまで真実であるかを予測するタスクとして、事実期間予測を提案する。
私たちのデータとコードはhttps://github.com/mikejqzhang/mitigating_misalignment.comで公開されています。
論文 参考訳（メタデータ） (2023-05-24T07:30:08Z) - Complex Evolutional Pattern Learning for Temporal Knowledge Graph
Reasoning [60.94357727688448]
TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。
進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。
本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
論文 参考訳（メタデータ） (2022-03-15T11:02:55Z) - Search from History and Reason for Future: Two-stage Reasoning on
Temporal Knowledge Graphs [56.33651635705633]
そこで我々は,CluSTeRを提案し,2段階の予測手法であるClue SearchとTemporal Reasoningを提案する。
CluSTeRは、強化学習(RL)を通じてビームサーチポリシーを学び、歴史的事実から複数の手がかりを導き出す。
時間的推論段階では、グラフ畳み込みネットワークに基づくシーケンス法を採用し、手がかりから回答を導出する。
論文 参考訳（メタデータ） (2021-06-01T09:01:22Z) - 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) - ChronoR: Rotation Based Temporal Knowledge Graph Embedding [8.039202293739185]
時間的知識グラフに対する推論の難解な問題について検討する。
実体,関係,時間を表す表現を学習するための新しいモデルであるChronoR(ChronoR)を提案する。
chronorは、時間的知識グラフリンク予測のためのベンチマークデータセットの最先端メソッドの多くを上回ることができる。
論文 参考訳（メタデータ） (2021-03-18T17:08:33Z) - Tucker decomposition-based Temporal Knowledge Graph Completion [35.56360622521721]
次数4テンソルのタッカー分解にインスパイアされた時間知識グラフ補完のための新しいテンソル分解モデルを構築する。
提案モデルは完全に表現力のあるモデルであることが実証され、いくつかの公開ベンチマークに対して最先端の結果が報告される。
論文 参考訳（メタデータ） (2020-11-16T07:05:52Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳（メタデータ） (2020-04-25T04:53:54Z)
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。