論文の概要: Knowledge Graph Completion with Text-aided Regularization

• arxiv url: http://arxiv.org/abs/2101.08962v1
• Date: Fri, 22 Jan 2021 06:10:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 04:47:59.499911
• Title: Knowledge Graph Completion with Text-aided Regularization
• Title（参考訳）: テキスト支援正規化による知識グラフ補完
• Authors: Tong Chen, Sirou Zhu, Yiming Wen, Zhaomin Zheng
• Abstract要約: 知識グラフ補完は、可能なエンティティを推定することによって知識グラフ/ベースを拡張するタスクである。 従来のアプローチは主に、グラフ固有の既存のグラフィカル情報の使用に重点を置いている。 我々は、既存のkg埋め込みフレームワークがより良い予測結果に達するのを助けるために、抽出または生のテキスト情報を使用する多くの方法を試みる。
• 参考スコア（独自算出の注目度）: 2.8361571014635407
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Knowledge Graph Completion is a task of expanding the knowledge graph/base through estimating possible entities, or proper nouns, that can be connected using a set of predefined relations, or verb/predicates describing interconnections of two things. Generally, we describe this problem as adding new edges to a current network of vertices and edges. Traditional approaches mainly focus on using the existing graphical information that is intrinsic of the graph and train the corresponding embeddings to describe the information; however, we think that the corpus that are related to the entities should also contain information that can positively influence the embeddings to better make predictions. In our project, we try numerous ways of using extracted or raw textual information to help existing KG embedding frameworks reach better prediction results, in the means of adding a similarity function to the regularization part in the loss function. Results have shown that we have made decent improvements over baseline KG embedding methods.
• Abstract（参考訳）: 知識グラフコンプリート(英: Knowledge Graph Completion)とは、2つの物事の相互関係を記述する動詞や述語を用いて接続できる、可能なエンティティや固有名詞を推定することで知識グラフ/ベースを拡張するタスクである。 一般に、この問題を、頂点と辺の現在のネットワークに新しいエッジを追加していると記述する。 従来のアプローチでは、グラフに内在する既存のグラフィカルな情報を使用し、対応する埋め込みをトレーニングして情報を記述するのが主だが、エンティティに関連するコーパスには、より優れた予測のために埋め込みに影響を与える情報も含むべきである。 提案手法では,損失関数の正規化部に類似度関数を追加することにより,既存のkg組込みフレームワークがより良い予測結果に達するのを助けるために,抽出あるいは生のテキスト情報を利用する多くの方法を試みる。 その結果, ベースラインのKG埋め込み法よりも良好な改善が得られた。

関連論文リスト

• Graph Context Transformation Learning for Progressive Correspondence Pruning [26.400567961735234]
  本稿では,プログレッシブ対応プルーニングのためのコンセンサスガイダンスを行うために,文脈情報を強化するグラフコンテキスト変換ネットワーク(GCT-Net)を提案する。 具体的には、まずグラフネットワークを生成し、次にマルチブランチグラフコンテキストに変換するグラフコンテキストエンハンス変換器を設計する。 そこで本稿では,グラフ・コンテキスト・ガイダンス・トランスフォーマ(Graph Context Guidance Transformer)を提案する。
  論文  参考訳（メタデータ） (2023-12-26T09:43:30Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
  誘導超解像のための新しい定式化を導入する。 そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。 提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-27T13:12:18Z)
• Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph Embedding [1.5469452301122175]
  知識グラフの埋め込みは, トポロジカル言語, カテゴリー言語で自然に表現されていることを示す。 知識グラフの埋め込みは、グラフ上の適切なテクスチャ知識棚の近似グローバルセクションとして記述することができる。 結果として得られる埋め込みは、特別な訓練をせずに合成関係の推論に容易に適応できる。
  論文  参考訳（メタデータ） (2021-10-07T20:54:40Z)
• Edge: Enriching Knowledge Graph Embeddings with External Text [32.01476220906261]
  We propose a knowledge graph enrichment and embedded framework named Edge。 元の知識グラフが与えられたら、まず、セマンティックおよび構造レベルで外部テキストを使用してリッチだがノイズの多い拡張グラフを生成する。 関連する知識を抽出し,導入した雑音を抑制するため,元のグラフと拡張グラフとの共有埋め込み空間におけるグラフアライメント項を設計する。
  論文  参考訳（メタデータ） (2021-04-11T03:47:06Z)
• Benchmarking neural embeddings for link prediction in knowledge graphs under semantic and structural changes [6.23228063561537]
  本稿では,ニューラルネットワークの精度をベンチマークするオープンソースの評価パイプラインを提案する。 我々は,リンク予測能力と知識グラフの構造を接続する関係中心の接続手段を定義する。
  論文  参考訳（メタデータ） (2020-05-15T17:15:45Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。