論文の概要: Role-Aware Modeling for N-ary Relational Knowledge Bases
- arxiv url: http://arxiv.org/abs/2104.09780v1
- Date: Tue, 20 Apr 2021 06:37:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:42:26.575600
- Title: Role-Aware Modeling for N-ary Relational Knowledge Bases
- Title(参考訳): N-aryリレーショナル知識ベースのための役割意識モデリング
- Authors: Yu Liu, Quanming Yao, Yong Li
- Abstract要約: n-aryリレーショナルKBにおける事実に対する役割認識モデリング(RAM)を提案する。
RAMは基底ベクトルを含む潜在空間を探索し、これらのベクトルの線形結合によって役割を表す。
この目的のために、特定の役割や実体によって構成される事実の妥当性を測定するための多線形スコアリング関数を提供する。
- 参考スコア(独自算出の注目度): 38.40941919126033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: N-ary relational knowledge bases (KBs) represent knowledge with binary and
beyond-binary relational facts. Especially, in an n-ary relational fact, the
involved entities play different roles, e.g., the ternary relation
PlayCharacterIn consists of three roles, ACTOR, CHARACTER and MOVIE. However,
existing approaches are often directly extended from binary relational KBs,
i.e., knowledge graphs, while missing the important semantic property of role.
Therefore, we start from the role level, and propose a Role-Aware Modeling, RAM
for short, for facts in n-ary relational KBs. RAM explores a latent space that
contains basis vectors, and represents roles by linear combinations of these
vectors. This way encourages semantically related roles to have close
representations. RAM further introduces a pattern matrix that captures the
compatibility between the role and all involved entities. To this end, it
presents a multilinear scoring function to measure the plausibility of a fact
composed by certain roles and entities. We show that RAM achieves both
theoretical full expressiveness and computation efficiency, which also provides
an elegant generalization for approaches in binary relational KBs. Experiments
demonstrate that RAM outperforms representative baselines on both n-ary and
binary relational datasets.
- Abstract(参考訳): N-aryリレーショナル知識ベース(KB)は、二項的および二項的リレーショナル事実の知識を表す。
特にn-aryリレーショナルな事実では、関与するエンティティは異なる役割を演じる。例えば、三項関係のPlayCharacterInは、ACTOR、CHARACTER、MOVIEの3つの役割からなる。
しかし、既存のアプローチは、しばしばバイナリリレーショナルkb、すなわち知識グラフから直接拡張されるが、ロールの重要な意味的特性は欠落している。
そこで,我々はロールレベルから始めて,n-aryリレーショナルkbsの事実に対するロールアウェアモデリングであるramを提案する。
RAMは基底ベクトルを含む潜在空間を探索し、これらのベクトルの線形結合によって役割を表現する。
この方法では、セマンティックな役割が密接な表現を持つように促される。
ramはさらに、ロールと関連するすべてのエンティティの互換性をキャプチャするパターンマトリックスも導入している。
この目的のために、特定の役割や実体によって構成される事実の妥当性を測定するための多線形スコアリング関数を提供する。
また,RAMは論理的完全表現性と計算効率の両方を実現し,二項関係KBのアプローチをエレガントに一般化することを示した。
実験によると、RAMはn-aryとバイナリのリレーショナルデータセットの両方で代表ベースラインを上回っている。
関連論文リスト
- Large Language Models are Superpositions of All Characters: Attaining
Arbitrary Role-play via Self-Alignment [62.898963074989766]
本稿では,ロールプレイのための自己アライメント手法であるDittoを紹介する。
この方法は4000文字からなるロールプレイトレーニングセットを生成し、現在利用可能なデータセットのスケールを10倍に超える。
本稿では,ロールプレイ領域におけるクロススーパービジョンアライメント実験について紹介する。
論文 参考訳(メタデータ) (2024-01-23T03:56:22Z) - Utilizing Contextual Clues and Role Correlations for Enhancing Document-level Event Argument Extraction [14.684710634595866]
文書レベルのイベント引数抽出は,情報抽出分野において重要な課題である。
本稿では、CARLGという新しいフレームワークを紹介し、CCA(Contextual Clues Aggregation)とRLIG(Role-based Latent Information Guidance)の2つの革新的なコンポーネントについて紹介する。
次に、CARLGフレームワークを、現在の主流EAEアプローチの2つのタイプに基づいて、2つの変種にインスタンス化します。特に、我々のCARLGフレームワークは、1%未満の新しいパラメータを導入し、性能を著しく改善しています。
論文 参考訳(メタデータ) (2023-10-08T11:09:16Z) - OTIEA:Ontology-enhanced Triple Intrinsic-Correlation for Cross-lingual
Entity Alignment [12.054806502375575]
十分な外部リソースを持たない言語間およびドメイン間の知識アライメントは、基本的で決定的な課題である。
本稿では、オントロジー対と三重認識による役割強化機構に基づく新しいユニバーサルEAフレームワーク(OTIEA)を提案する。
実世界の3つのデータセットに対する実験結果から,本フレームワークはベースラインと比較して競争性能が向上することが示された。
論文 参考訳(メタデータ) (2023-05-02T16:03:54Z) - On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。
単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文 参考訳(メタデータ) (2022-06-09T16:24:01Z) - Relational Representation Learning in Visually-Rich Documents [14.942600317107082]
文書表現フレームワークDocReLを提案する。
DocReLの最大の課題は、様々な関係にある。
本稿では,既存の関係が拡張肯定的な視点で一貫性を持つべきという事実を生かした,一貫性モデリング(Consistency Modeling, RCM)という新しい対照的なタスクを提案する。
RCMは、関係の正確な定義に関する知識がなくても、下流タスクの緊急要求とより互換性のある関係表現を提供する。
論文 参考訳(メタデータ) (2022-05-05T02:54:31Z) - Disentangled Representation Learning for Text-Video Retrieval [51.861423831566626]
テキスト・ビデオ検索(TVR)における相互モダリティの相互作用
我々は相互作用のパラダイムを深く研究し、その計算を2つの項に分けることができることを示した。
本稿では,逐次的かつ階層的な表現を捉えるための非絡み合いフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-14T13:55:33Z) - 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) - Relation of the Relations: A New Paradigm of the Relation Extraction
Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。
我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。
実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-05T22:25:27Z)
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。