論文の概要: Generalized Relation Learning with Semantic Correlation Awareness for Link Prediction

• arxiv url: http://arxiv.org/abs/2012.11957v2
• Date: Sun, 18 Apr 2021 08:57:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 22:40:49.400822
• Title: Generalized Relation Learning with Semantic Correlation Awareness for Link Prediction
• Title（参考訳）: リンク予測のための意味相関認識を用いた一般化関係学習
• Authors: Yao Zhang, Xu Zhang, Jun Wang, Hongru Liang, Wenqiang Lei, Zhe Sun, Adam Jatowt, Zhenglu Yang
• Abstract要約: 本稿では,上記の2つの問題に対処する汎用関係学習フレームワークを提案する。 grlを用いた訓練により、ベクトル空間における意味的類似関係の密接性と類似関係の識別性が向上する。
• 参考スコア（独自算出の注目度）: 29.23338194883254
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Developing link prediction models to automatically complete knowledge graphs has recently been the focus of significant research interest. The current methods for the link prediction taskhavetwonaturalproblems:1)the relation distributions in KGs are usually unbalanced, and 2) there are many unseen relations that occur in practical situations. These two problems limit the training effectiveness and practical applications of the existing link prediction models. We advocate a holistic understanding of KGs and we propose in this work a unified Generalized Relation Learning framework GRL to address the above two problems, which can be plugged into existing link prediction models. GRL conducts a generalized relation learning, which is aware of semantic correlations between relations that serve as a bridge to connect semantically similar relations. After training with GRL, the closeness of semantically similar relations in vector space and the discrimination of dissimilar relations are improved. We perform comprehensive experiments on six benchmarks to demonstrate the superior capability of GRL in the link prediction task. In particular, GRL is found to enhance the existing link prediction models making them insensitive to unbalanced relation distributions and capable of learning unseen relations.
• Abstract（参考訳）: 近年,知識グラフの自動完備化のためのリンク予測モデルの開発が注目されている。 リンク予測タスクハブツーナチュラルプロブレムの現在の方法:1) KGsにおける関係分布は、通常不均衡であり、2)実際的な状況で発生する多くの未知の関係が存在する。 これらの2つの問題は、既存のリンク予測モデルのトレーニング効果と実用的な応用を制限する。 我々は、KGの全体的理解を提唱し、既存のリンク予測モデルにプラグイン可能な、上記の2つの問題に対処する統合一般化関係学習フレームワークGRLを提案する。 GRLは、意味的に類似した関係を接続するブリッジとして機能する関係間の意味的相関を意識した一般化された関係学習を行う。 grlを用いた訓練により、ベクトル空間における意味的類似関係の密接性と類似関係の識別性が向上する。 リンク予測タスクにおけるGRLの優れた性能を示すため、6つのベンチマークで包括的な実験を行った。 特に、GRLは既存のリンク予測モデルを強化し、不均衡な関係分布に敏感になり、未知の関係を学習することができる。

関連論文リスト

• Multiple Relations Classification using Imbalanced Predictions Adaptation [0.0]
  関係分類タスクは、対象物と対象物のペアに適切な意味関係を割り当てる。 現在の関係分類モデルは、1つの文で複数の関係を識別する追加の手順を用いる。 本稿では,これらの課題に対処する複数の関係分類モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-24T18:36:22Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction [30.404149577013595]
  帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。 GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。 実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
  論文  参考訳（メタデータ） (2022-11-22T13:30:49Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs [41.38172189254483]
  TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。 関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。 実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
  論文  参考訳（メタデータ） (2021-03-05T13:00:10Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Improving Long-Tail Relation Extraction with Collaborating Relation-Augmented Attention [63.26288066935098]
  本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。 一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
  論文  参考訳（メタデータ） (2020-10-08T05:34:43Z)
• Learning Relation Ties with a Force-Directed Graph in Distant Supervised Relation Extraction [39.73191604776768]
  関係関係は、異なる関係間の相関関係と相互排除として定義されるが、遠方の教師付き関係抽出には重要である。 既存のアプローチは、局所的な依存関係を丁寧に学習することで、この特性をモデル化する。 本稿では,関係関係を包括的に学習する,力によるグラフに基づく関係抽出モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-21T14:41:38Z)

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。