論文の概要: OKGIT: Open Knowledge Graph Link Prediction with Implicit Types

• arxiv url: http://arxiv.org/abs/2106.12806v1
• Date: Thu, 24 Jun 2021 07:48:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:10:13.434955
• Title: OKGIT: Open Knowledge Graph Link Prediction with Implicit Types
• Title（参考訳）: OKGIT: 暗黙の型によるオープン知識グラフリンク予測
• Authors: Chandrahas, Partha Pratim Talukdar
• Abstract要約: Open Knowledge Graphs (OpenKG) は、OpenIEツールを使用してコーパスから抽出された(頭名詞句、関係語句、尾名詞句)3つ組の集合を指す。 現在のOpenKGリンク予測アルゴリズムは、与えられた名詞と関係句の非互換な型を持つ名詞句(NP)を予測することが多い。 そこで我々は,新しい型対応スコアと型正規化を用いたOpenKGリンクの予測を改善するOKGITを提案する。
• 参考スコア（独自算出の注目度）: 2.5575240337123124
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Open Knowledge Graphs (OpenKG) refer to a set of (head noun phrase, relation phrase, tail noun phrase) triples such as (tesla, return to, new york) extracted from a corpus using OpenIE tools. While OpenKGs are easy to bootstrap for a domain, they are very sparse and far from being directly usable in an end task. Therefore, the task of predicting new facts, i.e., link prediction, becomes an important step while using these graphs in downstream tasks such as text comprehension, question answering, and web search query recommendation. Learning embeddings for OpenKGs is one approach for link prediction that has received some attention lately. However, on careful examination, we found that current OpenKG link prediction algorithms often predict noun phrases (NPs) with incompatible types for given noun and relation phrases. We address this problem in this work and propose OKGIT that improves OpenKG link prediction using novel type compatibility score and type regularization. With extensive experiments on multiple datasets, we show that the proposed method achieves state-of-the-art performance while producing type compatible NPs in the link prediction task.
• Abstract（参考訳）: Open Knowledge Graphs (OpenKG) は、OpenIEツールを使用してコーパスから抽出された(tesla, return to, New York)三つ組(頭名詞句、関係名詞句、尾名詞句)の集合を指す。 OpenKGはドメインのブートストラップが容易だが、非常に疎いため、エンドタスクで直接使用することはできない。 したがって、新しい事実、すなわちリンク予測を予測するタスクは、テキスト理解、質問応答、web検索クエリの推薦といった下流タスクでこれらのグラフを使用する際に重要なステップとなる。 OpenKGsの埋め込み学習はリンク予測のアプローチのひとつで、最近注目を集めている。 しかし、注意深い検討の結果、現在のOpenKGリンク予測アルゴリズムは、与えられた名詞と関係句の非互換な型を持つ名詞句(NP)をしばしば予測することがわかった。 この課題に対処し、新しい型適合スコアと型正規化を用いたOpenKGリンク予測を改善するOKGITを提案する。 複数のデータセットに対する広範な実験により,提案手法はリンク予測タスクにおいてタイプ互換のNPを生成しつつ,最先端の性能を実現する。

関連論文リスト

• PageRank Bandits for Link Prediction [72.61386754332776]
  リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。 本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。 本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
  論文  参考訳（メタデータ） (2024-11-03T02:39:28Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Open-Domain Event Graph Induction for Mitigating Framing Bias [89.46744219887005]
  フレーミングバイアスの研究と特定は、信頼できるイベント理解への重要なステップである、と我々は主張する。 この問題に対処するために、ニュートラルイベントグラフ誘導という新しいタスクを提案する。 我々の課題は、オープンドメインにおいて最小限のフレーミングバイアスでそのような構造的知識を誘導することである。
  論文  参考訳（メタデータ） (2023-05-22T08:57:42Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Clustering Semantic Predicates in the Open Research Knowledge Graph [0.0]
  オープンリサーチ知識グラフ(ORKG)のリソースに関する述語を推奨するために、2つのAIベースのクラスタリングアルゴリズムをカスタマイズするアプローチについて述べる。 線形実行時の性能を比較的高い精度で再現する実験は,非常に有望な結果を示した。 この研究は、44の研究分野にまたがる学術知識のセマンティフィケーションのための一般的なセマンティフィケーションパターンとして、自動的に緩やかに蓄積する述語群に対する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-10-05T05:48:39Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Variational Graph Normalized Auto-Encoders [4.416484585765027]
  グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)は,次数0のノードが関与している場合,リンク予測においてうまく機能しないことを示す。 我々は,GAE/VGAEが,コンテンツの特徴に関係なく,孤立ノードの埋め込みをゼロに近いものにすることを発見した。 本稿では、$L$正規化を利用して孤立ノードに対するより良い埋め込みを導出する新しい変分グラフ正規化オートエンコーダ(VGNAE)を提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:56:04Z)
• Edge Proposal Sets for Link Prediction [39.33358136412426]
  Link Predictionは、将来のエッジを予測したり、グラフに欠けているエッジを推測することを目的としており、推奨システム、実験設計、複雑なシステムに様々な応用がある。 本稿では,前処理ステップとしてエッジセットをグラフに追加するだけで,リンク予測アルゴリズムの性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-30T04:59:19Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• ALPINE: Active Link Prediction using Network Embedding [20.976178936255927]
  ネットワーク埋め込みに基づくリンク予測のための ALPINE (Active Link Prediction usIng Network Embedding) を提案する。 ALPINEは拡張性があり、より少ないクエリでリンク予測精度を向上させる。
  論文  参考訳（メタデータ） (2020-02-04T11:09:03Z)

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。