論文の概要: Why Settle for Just One? Extending EL++ Ontology Embeddings with
Many-to-Many Relationships
- arxiv url: http://arxiv.org/abs/2110.10555v1
- Date: Wed, 20 Oct 2021 13:23:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 14:35:49.824061
- Title: Why Settle for Just One? Extending EL++ Ontology Embeddings with
Many-to-Many Relationships
- Title(参考訳): なぜ1人だけ 落ち着くんだ?
EL++オントロジーを多対多の関係で拡張する
- Authors: Biswesh Mohapatra, Sumit Bhatia, Raghava Mutharaju and G.
Srinivasaraghavan
- Abstract要約: 知識グラフ埋め込みは、知識グラフの実体と関係の低次元表現を提供する。
この方向の最近の取り組みは、EL++と呼ばれる記述(記述のための論理論理)への埋め込みの学習である。
我々は、埋め込み表現を学習しながら、多対多の関係を考慮できる、シンプルで効果的なソリューションを提供する。
- 参考スコア(独自算出の注目度): 2.599882743586164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graph (KG) embeddings provide a low-dimensional representation of
entities and relations of a Knowledge Graph and are used successfully for
various applications such as question answering and search, reasoning,
inference, and missing link prediction. However, most of the existing KG
embeddings only consider the network structure of the graph and ignore the
semantics and the characteristics of the underlying ontology that provides
crucial information about relationships between entities in the KG. Recent
efforts in this direction involve learning embeddings for a Description Logic
(logical underpinning for ontologies) named EL++. However, such methods
consider all the relations defined in the ontology to be one-to-one which
severely limits their performance and applications. We provide a simple and
effective solution to overcome this shortcoming that allows such methods to
consider many-to-many relationships while learning embedding representations.
Experiments conducted using three different EL++ ontologies show substantial
performance improvement over five baselines. Our proposed solution also paves
the way for learning embedding representations for even more expressive
description logics such as SROIQ.
- Abstract(参考訳): 知識グラフ(KG)埋め込みは、知識グラフのエンティティと関係の低次元表現を提供し、質問応答や探索、推論、推論、リンク予測の欠如といった様々なアプリケーションでうまく使われている。
しかし、既存のkg埋め込みのほとんどはグラフのネットワーク構造のみを考慮し、kg内のエンティティ間の関係に関する重要な情報を提供する基礎となるオントロジーのセマンティクスや特性を無視している。
この方向の最近の取り組みは、EL++と呼ばれる記述論理(オントロジーの論理基盤)の埋め込みの学習である。
しかし、このような手法はオントロジーで定義された全ての関係を1対1とみなし、性能と応用を著しく制限する。
我々は,この欠点を克服するために,埋め込み表現を学習しながら多対多の関係を考慮可能な,シンプルで効果的なソリューションを提供する。
3つの異なるel++オントロジーを用いた実験では、5つのベースラインのパフォーマンスが大幅に向上した。
提案手法はsroiqのようなより表現力のある記述論理の埋め込み表現を学習する方法でもある。
関連論文リスト
- PathE: Leveraging Entity-Agnostic Paths for Parameter-Efficient Knowledge Graph Embeddings [2.644991336881551]
知識グラフ(KG)に関係を埋め込むモデルPathEを提案する。
エンティティの埋め込みを格納するのではなく、複数のエンティティ-リレーショナルパスを活用することで、それらを計算することを学ぶ。
PathEは、現実世界のアプリケーションでよく見られる、リレーショナルに多様性があり、十分に接続されたKGに対して効率的で費用対効果がある。
論文 参考訳(メタデータ) (2025-01-31T12:41:02Z) - Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning [73.2950349728376]
大規模言語モデル(LLM)は、幅広いタスクで顕著な成功を収めている。
しかし、彼らは情報片間の関係を理解し、推論する必要があるタスクの推論において、依然として課題に直面している。
この課題は、論理的推論やマルチホップ質問応答など、多段階プロセスに関わるタスクにおいて特に顕著である。
本稿では、まず文脈から明示的なグラフを構築することにより、グラフを用いた推論(RwG)を提案する。
論文 参考訳(メタデータ) (2025-01-14T05:18:20Z) - Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。
本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。
BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
論文 参考訳(メタデータ) (2024-10-09T10:20:54Z) - Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。
我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。
関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-09-24T09:19:11Z) - Reasoning Graph Enhanced Exemplars Retrieval for In-Context Learning [13.381974811214764]
RGER(Reasoning Graph-enhanced Exemplar Retrieval)
RGERはグラフカーネルを使用して、意味的および構造的類似性のある例を選択する。
私たちのコードはhttps://github.com/Yukang-Lin/RGER.comで公開されています。
論文 参考訳(メタデータ) (2024-09-17T12:58:29Z) - Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。
任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。
広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
論文 参考訳(メタデータ) (2024-05-02T18:12:08Z) - Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。
KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。
そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
論文 参考訳(メタデータ) (2023-01-26T14:13:37Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Inductive Logical Query Answering in Knowledge Graphs [30.220508024471595]
本研究では、新しいエンティティを含むグラフ上で推論を行う帰納的クエリ応答タスクについて検討する。
グラフニューラルネットワーク(GNN)を用いた帰納的ノードと関係構造表現の2つのメカニズムを考案する。
実験により、帰納的モデルは、学習ノードよりも最大500%大きいグラフに一般化した未確認ノードに対して、推論時間で論理的推論を行うことができることを示した。
論文 参考訳(メタデータ) (2022-10-13T03:53:34Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳(メタデータ) (2020-10-06T10:24:45Z)
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。