論文の概要: KGRefiner: Knowledge Graph Refinement for Improving Accuracy of Translational Link Prediction Methods

• arxiv url: http://arxiv.org/abs/2106.14233v1
• Date: Sun, 27 Jun 2021 13:32:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 03:13:43.732521
• Title: KGRefiner: Knowledge Graph Refinement for Improving Accuracy of Translational Link Prediction Methods
• Title（参考訳）: KGRefiner:翻訳リンク予測手法の精度向上のための知識グラフ再構成
• Authors: Mohammad Javad Saeedizade, Najmeh Torabian, Behrouz Minaei-Bidgoli
• Abstract要約: 本稿では,知識グラフの精細化手法を提案する。 これにより知識グラフがより情報的になり、リンク予測操作をより正確に行うことができる。 提案手法は,翻訳リンク予測手法の性能を大幅に向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 4.726777092009553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction is the task of predicting missing relations between entities of the knowledge graph by inferring from the facts contained in it. Recent work in link prediction has attempted to provide a model for increasing link prediction accuracy by using more layers in neural network architecture or methods that add to the computational complexity of models. This paper we proposed a method for refining the knowledge graph, which makes the knowledge graph more informative, and link prediction operations can be performed more accurately using relatively fast translational models. Translational link prediction models, such as TransE, TransH, TransD, etc., have much less complexity than deep learning approaches. This method uses the hierarchy of relationships and also the hierarchy of entities in the knowledge graph to add the entity information as a new entity to the graph and connect it to the nodes which contain this information in their hierarchy. Our experiments show that our method can significantly increase the performance of translational link prediction methods in H@10, MR, MRR.
• Abstract（参考訳）: リンク予測は、知識グラフに含まれる事実から推測することで、知識グラフのエンティティ間の欠落関係を予測するタスクである。 リンク予測における最近の研究は、ニューラルネットワークアーキテクチャやモデルの計算複雑性を付加する手法でより多くの層を使用することで、リンク予測精度を向上させるモデルを提供することを試みている。 本稿では,知識グラフをより情報にし,比較的高速な翻訳モデルを用いてリンク予測操作をより正確に行うことができる知識グラフの精細化手法を提案する。 transe、transh、transdなどの翻訳リンク予測モデルは、ディープラーニングアプローチよりもはるかに複雑さが低い。 この方法は、関係の階層構造と知識グラフ内のエンティティの階層構造を用いて、エンティティ情報をグラフに新しいエンティティとして付加し、それらの情報を含むノードに接続する。 提案手法は,h@10,mr,mrrにおける翻訳リンク予測手法の性能を著しく向上できることを示す。

関連論文リスト

• Link Prediction with Relational Hypergraphs [28.594243961681684]
  知識グラフとのリンク予測は、グラフ機械学習において徹底的に研究されている。 本稿では,グラフニューラルネットワークの完全なリレーショナル構造への応用を解き放ち,リレーショナルハイパーグラフとリンク予測を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:05:40Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
  我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。 知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
  論文  参考訳（メタデータ） (2022-11-04T20:38:12Z)
• Learning Representations of Entities and Relations [0.0]
  この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。 最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。 第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。 第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
  論文  参考訳（メタデータ） (2022-01-31T09:24:43Z)
• NePTuNe: Neural Powered Tucker Network for Knowledge Graph Completion [31.838865331557496]
  本稿では,深部モデルの表現性と線形モデルの速度とサイズを結合した新しいハイブリッドリンク予測モデルを提案する。 neptuneはfb15k-237データセットの最先端性能とwn18rrデータセットの最先端性能を提供する。
  論文  参考訳（メタデータ） (2021-04-15T23:48:26Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• 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。