論文の概要: Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern
for Knowledge Graph Embedding
- arxiv url: http://arxiv.org/abs/2110.00720v1
- Date: Sat, 2 Oct 2021 03:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 16:00:33.994298
- Title: Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern
for Knowledge Graph Embedding
- Title（参考訳）: 知識グラフにパターンはもっと存在するか?
知識グラフ埋め込みのための近接パターン探索
- Authors: Ren Li, Yanan Cao, Qiannan Zhu, Xiaoxue Li, Fang Fang
- Abstract要約: 知識グラフにおけるそのような意味現象を近接パターンと呼ぶ。
元の知識グラフを用いて、我々は2つのパターンを深くマージするために、連鎖したcouPle-GNNアーキテクチャを設計する。
FB15k-237とWN18RRデータセットで評価され、CP-GNNは知識グラフ補完タスクの最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 13.17623081024394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling of relation pattern is the core focus of previous Knowledge Graph
Embedding works, which represents how one entity is related to another
semantically by some explicit relation. However, there is a more natural and
intuitive relevancy among entities being always ignored, which is that how one
entity is close to another semantically, without the consideration of any
explicit relation. We name such semantic phenomenon in knowledge graph as
proximity pattern. In this work, we explore the problem of how to define and
represent proximity pattern, and how it can be utilized to help knowledge graph
embedding. Firstly, we define the proximity of any two entities according to
their statistically shared queries, then we construct a derived graph structure
and represent the proximity pattern from global view. Moreover, with the
original knowledge graph, we design a Chained couPle-GNN (CP-GNN) architecture
to deeply merge the two patterns (graphs) together, which can encode a more
comprehensive knowledge embedding. Being evaluated on FB15k-237 and WN18RR
datasets, CP-GNN achieves state-of-the-art results for Knowledge Graph
Completion task, and can especially boost the modeling capacity for complex
queries that contain multiple answer entities, proving the effectiveness of
introduced proximity pattern.
- Abstract（参考訳）: 関係パターンのモデリングは、あるエンティティが他のエンティティと、ある明示的な関係によって意味的にどのように関連しているかを表す、以前の知識グラフ埋め込み作業の中核である。
しかし、エンティティの間には常に無視されるより自然で直感的な関連性があり、あるエンティティが意味的に他のエンティティに近づき、明示的な関係を考慮しない。
知識グラフにおけるそのような意味現象を近接パターンと呼ぶ。
本研究では,近接パターンの定義と表現方法の問題と,知識グラフの埋め込みを支援する手法について検討する。
まず、統計的に共有されたクエリに基づいて2つのエンティティの近接性を定義し、それから導出したグラフ構造を構築し、その近接パターンをグローバルビューから表現する。
さらに、元の知識グラフを用いて、より包括的な知識埋め込みをエンコード可能な2つのパターン(グラフ)を深くマージするために、連鎖したcouPle-GNN(CP-GNN)アーキテクチャを設計する。
FB15k-237とWN18RRデータセットで評価されたCP-GNNは、知識グラフ補完タスクの最先端結果を実現し、特に複数の応答エンティティを含む複雑なクエリのモデリング能力を高め、導入された近接パターンの有効性を証明する。
関連論文リスト
- Survey on Embedding Models for Knowledge Graph and its Applications [0.0]
知識グラフ(KG)は、ノードが現実世界の実体や抽象的な概念を表現し、エッジが実体間の関係を表現する世界の事実を表現するグラフベースのデータ構造である。
知識グラフ埋め込みは、それらの間の意味的関係をキャプチャすることで、低次元ベクトル空間における実体と関係を表現することによって、欠点に取り組む。
ここでは、意味的特性、スコアリング機能、使用するアーキテクチャに基づいて異なる翻訳ベースとニューラルネットワークベースの埋め込みモデルについて議論する。
論文 参考訳（メタデータ） (2024-04-14T07:15:59Z) - Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。
我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。
当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2023-12-19T08:01:48Z) - One-shot Scene Graph Generation [130.57405850346836]
ワンショットシーングラフ生成タスクに対して,複数の構造化知識(関係知識知識)を提案する。
提案手法は既存の最先端手法よりも大きなマージンで優れる。
論文 参考訳（メタデータ） (2022-02-22T11:32:59Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Mutual Graph Learning for Camouflaged Object Detection [31.422775969808434]
主な課題は、前景の物体と背景の環境との固有の類似性によって、深いモデルによって抽出された特徴が区別できないことである。
我々は,正規格子からグラフ領域への従来の相互学習の考え方を一般化する,新しい相互グラフ学習モデルを設計する。
すべてのタスク間インタラクションをモデリングするために共有関数を使用するほとんどの相互学習アプローチとは対照的に、mglは異なる補完関係を扱うための型付き関数を備えている。
論文 参考訳（メタデータ） (2021-04-03T10:14:39Z) - 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) - Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。
人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。
意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
論文 参考訳（メタデータ） (2021-01-26T08:19:03Z) - Context-Enhanced Entity and Relation Embedding for Knowledge Graph
Completion [2.580765958706854]
マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。
実験の結果、AggrEは既存のモデルと競合していることがわかった。
論文 参考訳（メタデータ） (2020-12-13T09:20:42Z) - GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity
Interactions [70.9481395807354]
本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。
GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-05-12T03:46:15Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。
エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。
その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-17T03:33:41Z)
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。