論文の概要: Approximate Knowledge Graph Query Answering: From Ranking to Binary Classification

• arxiv url: http://arxiv.org/abs/2102.11389v1
• Date: Mon, 22 Feb 2021 22:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:52:24.959329
• Title: Approximate Knowledge Graph Query Answering: From Ranking to Binary Classification
• Title（参考訳）: Approximate Knowledge Graph Query Answering: ランク付けからバイナリ分類へ
• Authors: Ruud van Bakel, Teodor Aleksiev, Daniel Daza, Dimitrios Alivanistos, Michael Cochez
• Abstract要約: 不完全グラフ上の構造化クエリは、不完全解の集合をもたらす。 近似構造化クエリ応答のためのいくつかのアルゴリズムが提案されている。 ランキングに基づく評価を行うことは、複雑な問合せ応答の方法を評価するのに十分ではないと我々は主張する。
• 参考スコア（独自算出の注目度）: 0.20999222360659608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large, heterogeneous datasets are characterized by missing or even erroneous information. This is more evident when they are the product of community effort or automatic fact extraction methods from external sources, such as text. A special case of the aforementioned phenomenon can be seen in knowledge graphs, where this mostly appears in the form of missing or incorrect edges and nodes. Structured querying on such incomplete graphs will result in incomplete sets of answers, even if the correct entities exist in the graph, since one or more edges needed to match the pattern are missing. To overcome this problem, several algorithms for approximate structured query answering have been proposed. Inspired by modern Information Retrieval metrics, these algorithms produce a ranking of all entities in the graph, and their performance is further evaluated based on how high in this ranking the correct answers appear. In this work we take a critical look at this way of evaluation. We argue that performing a ranking-based evaluation is not sufficient to assess methods for complex query answering. To solve this, we introduce Message Passing Query Boxes (MPQB), which takes binary classification metrics back into use and shows the effect this has on the recently proposed query embedding method MPQE.
• Abstract（参考訳）: 大規模な異種データセットは、欠如あるいは誤った情報によって特徴づけられる。 これは、コミュニティの取り組みやテキストなどの外部ソースからの自動事実抽出方法の産物である場合、より明確です。 前述の現象の特別な例は知識グラフに見られ、これは主に欠落または不正確なエッジおよびノードの形で現れる。 このような不完全なグラフに対する構造化クエリは、たとえ正しいエンティティがグラフに存在するとしても、パターンにマッチする1つ以上のエッジが欠落しているため、不完全な回答の集合をもたらす。 この問題を解決するために, 近似型クエリ応答のアルゴリズムがいくつか提案されている。 現代の情報検索指標にインスパイアされたこれらのアルゴリズムは、グラフ内のすべてのエンティティのランキングを生成し、このランキングがどれだけ高いかに基づいて、そのパフォーマンスをさらに評価する。 この研究では、この評価の方法を批判的に検討します。 ランキングに基づく評価を行うことは、複雑な問合せ応答の方法を評価するのに十分ではないと我々は主張する。 そこで本研究では,最近提案されたクエリ埋め込み方式MPQEに与えた影響を,バイナリ分類メトリクスを再利用したMessage Passing Query Box(MPQB)を提案する。

関連論文リスト

• Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
  Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。 我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。 関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T09:19:11Z)
• One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
  我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。 我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
  論文  参考訳（メタデータ） (2024-09-21T00:30:44Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• Approximate Answering of Graph Queries [40.375299599925924]
  本章では,このような条件下での問合せに対処するために提案されたいくつかの手法の概要について述べる。 まず、これらのメソッドと一般的に評価に使用されるデータセットがサポートするさまざまなクエリタイプの概要を説明します。 次に、異なるアプローチの概要を述べ、表現性、サポートされたグラフタイプ、推論機能の観点から記述する。
  論文  参考訳（メタデータ） (2023-08-12T14:47:21Z)
• A Method of Query Graph Reranking for Knowledge Base Question Answering [2.367061689316429]
  本稿では,知識ベース質問回答(KBQA)において,知識グラフのサブグラフである最適問合せグラフをより適切に選択し,入力質問に対する回答を検索する手法を提案する。 既存の手法は、トップ1のパフォーマンスとトップn結果のオラクルスコアとの間に大きなギャップがあるという深刻な問題に悩まされている。
  論文  参考訳（メタデータ） (2022-04-27T09:57:54Z)
• Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph [5.5332967798665305]
  本稿では,自然言語質問からクエリグラフを生成することに焦点を当てる。 クエリグラフ生成のための既存のアプローチは、質問の意味構造を無視している。 本研究では,質問の意味的構造を予測する新しい構造BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-15T20:35:00Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graph [16.26384829957165]
  クエリグラフを構築するための新しい2段階のアプローチを提案する。 最初の段階では、上位$kの関連インスタンスは単純な戦略で収集される。 第2段階では、グラフ生成モデルが階層生成を行う。
  論文  参考訳（メタデータ） (2021-11-01T07:08:46Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。