Fugu-MT 論文翻訳(概要): A shallow neural model for relation prediction

論文の概要: A shallow neural model for relation prediction

arxiv url: http://arxiv.org/abs/2101.09090v1
Date: Fri, 22 Jan 2021 13:10:11 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 17:30:46.424469
Title: A shallow neural model for relation prediction
Title（参考訳）: 関係予測のための浅層神経モデル
Authors: Caglar Demir and Diego Moussallem and Axel-Cyrille Ngonga Ngomo
Abstract要約: 本稿では,エンティティからの欠落関係を正確に推測する浅層神経モデル(shallom)を提案する。本実験は、SHALLOMがFB15K-237およびWN18RRデータセットにおける最先端のアプローチを上回っていることを示しています。
参考スコア（独自算出の注目度）: 2.2559617939136505
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Knowledge graph completion refers to predicting missing triples. Most approaches achieve this goal by predicting entities, given an entity and a relation. We predict missing triples via the relation prediction. To this end, we frame the relation prediction problem as a multi-label classification problem and propose a shallow neural model (SHALLOM) that accurately infers missing relations from entities. SHALLOM is analogous to C-BOW as both approaches predict a central token (p) given surrounding tokens ((s,o)). Our experiments indicate that SHALLOM outperforms state-of-the-art approaches on the FB15K-237 and WN18RR with margins of up to $3\%$ and $8\%$ (absolute), respectively, while requiring a maximum training time of 8 minutes on these datasets. We ensure the reproducibility of our results by providing an open-source implementation including training and evaluation scripts at {\url{https://github.com/dice-group/ Shallom}.}
Abstract（参考訳）: 知識グラフ補完は、欠落した三重項を予測することを指す。ほとんどのアプローチは、与えられたエンティティと関係を予測することによって、この目標を達成する。我々は関係予測を通じて三重項の欠落を予測する。そこで本研究では, 関係予測問題を多ラベル分類問題とみなし, 実体間の関係を正確に推定する浅部ニューラルネットワーク(SHALLOM)を提案する。 SHALLOM は C-BOW と類似しており、両方のアプローチは、周囲のトークン (s,o) が与えられた中心トークン (p) を予測する。実験の結果,SHALLOM は FB15K-237 と WN18RR の最先端のアプローチをそれぞれ 3 %$ と 8 %$ (絶対) のマージンで上回り,これらのデータセットでは最大 8 分間のトレーニング時間を必要とすることがわかった。我々は、トレーニングと評価スクリプトを含むオープンソース実装を {\url{https://github.com/dice-group/ Shallom} で提供することにより、結果の再現性を確保する。