論文の概要: Trans4E: Link Prediction on Scholarly Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2107.03297v1
• Date: Sat, 3 Jul 2021 09:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 06:33:27.940678
• Title: Trans4E: Link Prediction on Scholarly Knowledge Graphs
• Title（参考訳）: Trans4E: 学習知識グラフのリンク予測
• Authors: Mojtaba Nayyeri, Gokce Muge Cil, Sahar Vahdati, Francesco Osborne, Mahfuzur Rahman, Simone Angioni, Angelo Salatino, Diego Reforgiato Recupero, Nadezhda Vassilyeva, Enrico Motta, Jens Lehmann
• Abstract要約: 本稿では,特に知識グラフ(KG)に適した新しい埋め込みモデルであるTrans4Eを紹介する。 Trans4E は Academia/Industry DynAmics (AIDA) と Microsoft Academic Graph (MAG) の2つの大規模知識グラフに適用された。 我々はAIDA、MAG、その他の4つのベンチマーク(FB15k、FB15k-237、WN18RR、WN18RR)に対する代替ソリューションに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 4.633748322788302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The incompleteness of Knowledge Graphs (KGs) is a crucial issue affecting the quality of AI-based services. In the scholarly domain, KGs describing research publications typically lack important information, hindering our ability to analyse and predict research dynamics. In recent years, link prediction approaches based on Knowledge Graph Embedding models became the first aid for this issue. In this work, we present Trans4E, a novel embedding model that is particularly fit for KGs which include N to M relations with N$\gg$M. This is typical for KGs that categorize a large number of entities (e.g., research articles, patents, persons) according to a relatively small set of categories. Trans4E was applied on two large-scale knowledge graphs, the Academia/Industry DynAmics (AIDA) and Microsoft Academic Graph (MAG), for completing the information about Fields of Study (e.g., 'neural networks', 'machine learning', 'artificial intelligence'), and affiliation types (e.g., 'education', 'company', 'government'), improving the scope and accuracy of the resulting data. We evaluated our approach against alternative solutions on AIDA, MAG, and four other benchmarks (FB15k, FB15k-237, WN18, and WN18RR). Trans4E outperforms the other models when using low embedding dimensions and obtains competitive results in high dimensions.
• Abstract（参考訳）: 知識グラフの不完全性(KGs)は、AIベースのサービスの品質に影響を与える重要な問題である。 学術領域では、研究出版物を記述するKGは一般的に重要な情報を欠き、研究のダイナミクスを分析し予測する能力を妨げる。 近年,知識グラフ埋め込みモデルに基づくリンク予測アプローチがこの問題の最初の支援となった。 そこで本研究では,N to M と N$\gg$M の関係を含む KG に特に適合する新しい埋め込みモデル Trans4E を提案する。 これは、比較的小さな分類群に従って多数の実体(研究記事、特許、人物など)を分類するkgに対して典型的である。 Trans4Eは、Academia/Industry DynAmics (AIDA) とMicrosoft Academic Graph (MAG) の2つの大規模知識グラフに適用され、学習分野に関する情報(例えば「神経ネットワーク」、「機械学習」、「芸術知能」)とアフィリエレーションタイプ(例えば「教育」、「企業」、そして「政府」)を補完し、結果データのスコープと精度を向上させる。 我々は,AIDA,MAG,および他の4つのベンチマーク(FB15k,FB15k-237,WN18RR,WN18RR)に対する代替ソリューションに対するアプローチを評価した。 Trans4Eは低埋め込み次元を使用する場合、他のモデルよりも優れ、高次元での競争結果が得られる。

関連論文リスト

• Aggregated Knowledge Model: Enhancing Domain-Specific QA with Fine-Tuned and Retrieval-Augmented Generation Models [0.0]
  本稿では,クローズドドメイン質問応答システム(QA)の新たなアプローチを提案する。 ローレンス・バークレー国立研究所(LBL)科学情報技術(ScienceIT)ドメインの特定のニーズに焦点を当てている。
  論文  参考訳（メタデータ） (2024-10-24T00:49:46Z)
• LLMs for Knowledge Graph Construction and Reasoning: Recent Capabilities and Future Opportunities [66.36633042421387]
  知識グラフ(KG)の構築と推論のための大規模言語モデル(LLM)の評価。 我々は,LLMと外部ソースを用いたマルチエージェントベースのアプローチであるAutoKGを提案し,KGの構築と推論を行う。
  論文  参考訳（メタデータ） (2023-05-22T15:56:44Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• What is Learned in Knowledge Graph Embeddings? [3.224929252256631]
  知識グラフ(英: knowledge graph, KG)とは、有向グラフの頂点と辺として実体と関係を表すデータ構造である。 本稿では,関係性間の規則の学習が,組込み方式の性能向上の要因であるかどうかを考察する。 合成KGの実験により、KGモデルがモチーフを学習し、その能力が非モチーフエッジによってどのように劣化するかを示す。
  論文  参考訳（メタデータ） (2021-10-19T13:52:11Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• 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)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Relational Learning Analysis of Social Politics using Knowledge Graph Embedding [11.978556412301975]
  本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。 ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。 このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
  論文  参考訳（メタデータ） (2020-06-02T14:10:28Z)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)
• Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
  知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。 ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。 この記事では、AIのためのKGの旅を要約する。
  論文  参考訳（メタデータ） (2020-03-07T18:09:18Z)
• 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。