論文の概要: Creating Knowledge Graphs Subsets using Shape Expressions
- arxiv url: http://arxiv.org/abs/2110.11709v3
- Date: Tue, 26 Oct 2021 11:03:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 04:08:49.037112
- Title: Creating Knowledge Graphs Subsets using Shape Expressions
- Title(参考訳): 形状表現を用いた知識グラフサブセットの作成
- Authors: Jose Emilio Labra Gayo
- Abstract要約: 我々はRDFベースのグラフ、プロパティグラフ、wikibaseグラフと呼ばれる3種類の知識グラフの形式モデルを提案する。
知識グラフの1つの問題は、それらが含む大量のデータである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The initial adoption of knowledge graphs by Google and later by big companies
has increased their adoption and popularity. In this paper we present a formal
model for three different types of knowledge graphs which we call RDF-based
graphs, property graphs and wikibase graphs. In order to increase the quality
of Knowledge Graphs, several approaches have appeared to describe and validate
their contents. Shape Expressions (ShEx) has been proposed as concise language
for RDF validation. We give a brief introduction to ShEx and present two
extensions that can also be used to describe and validate property graphs
(PShEx) and wikibase graphs (WShEx). One problem of knowledge graphs is the
large amount of data they contain, which jeopardizes their practical
application. In order to palliate this problem, one approach is to create
subsets of those knowledge graphs for some domains. We propose the following
approaches to generate those subsets: Entity-matching, simple matching, ShEx
matching, ShEx plus Slurp and ShEx plus Pregel which are based on declaratively
defining the subsets by either matching some content or by Shape Expressions.
The last approach is based on a novel validation algorithm for ShEx based on
the Pregel algorithm that can handle big data graphs and has been implemented
on Apache Spark GraphX.
- Abstract(参考訳): Googleとその後の大企業による知識グラフの導入は、その採用と人気を高めている。
本稿では,rdfベースのグラフ,プロパティグラフ,wikibaseグラフと呼ばれる3種類の知識グラフの形式モデルを提案する。
知識グラフの質を高めるために、いくつかのアプローチでその内容の説明と検証がなされている。
形状表現(ShEx)はRDF検証のための簡潔な言語として提案されている。
本稿では、ShExの簡単な紹介と、プロパティグラフ(PShEx)とwikibaseグラフ(WShEx)の記述および検証に使用できる2つの拡張について述べる。
知識グラフの1つの問題は、それらに含まれる大量のデータである。
この問題を緩和するために、ある領域の知識グラフのサブセットを作成するというアプローチがある。
エンティティマッチング、単純なマッチング、ShExマッチング、ShExプラスSlurpおよびShExプラスPregelは、いくつかのコンテンツまたはシェイプ式を一致させることで、サブセットを宣言的に定義する。
最後のアプローチは、ビッグデータグラフを処理でき、Apache Spark GraphXに実装されているPregelアルゴリズムに基づいた、ShExの新たなバリデーションアルゴリズムに基づいている。
関連論文リスト
- CleanGraph: Human-in-the-loop Knowledge Graph Refinement and Completion [8.358365661172025]
CleanGraphは知識グラフの洗練と完成を容易にするために設計されたWebベースのツールである。
知識グラフは、高品質でエラーのない事実に基礎を置いている。
論文 参考訳(メタデータ) (2024-05-07T01:40:23Z) - Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。
既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。
本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-10T15:41:53Z) - G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。
一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。
G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文 参考訳(メタデータ) (2024-02-12T13:13:04Z) - MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。
最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。
本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文 参考訳(メタデータ) (2024-01-10T07:58:44Z) - Enhancing Scene Graph Generation with Hierarchical Relationships and Commonsense Knowledge [7.28830964611216]
この研究は、関係階層とコモンセンス知識の両方によってシーングラフを生成するための拡張されたアプローチを導入する。
我々は,シーングラフ予測システムから結果を批判するために基礎モデルを活用する,堅牢なコモンセンス検証パイプラインを実装した。
Visual GenomeとOpenImage V6データセットの実験では、既存のシーングラフ生成アルゴリズムのプラグインとプレイの拡張として、提案されたモジュールをシームレスに統合できることが示されている。
論文 参考訳(メタデータ) (2023-11-21T06:03:20Z) - StarGraph: A Coarse-to-Fine Representation Method for Large-Scale
Knowledge Graph [0.6445605125467573]
本稿では,近隣情報を大規模知識グラフに活用するための新しい手法であるStarGraphを提案する。
提案手法は,ogbl-wikikg2データセットの有効性を検証する。
論文 参考訳(メタデータ) (2022-05-27T19:32:45Z) - Bringing Your Own View: Graph Contrastive Learning without Prefabricated
Data Augmentations [94.41860307845812]
Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。
GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。
グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。
我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
論文 参考訳(メタデータ) (2022-01-04T15:49:18Z) - ProGS: Property Graph Shapes Language (Extended Version) [5.663538370244174]
プロパティグラフは知識グラフを表現するデータモデルを構成する。
Wikidataのような知識グラフは、多種多様なコントリビュータによって作成され、様々なソースが2種類のエラーに陥りやすい。
最初のタイプの誤り、事実の虚偽は、証明と妥当性の表現を通してプロパティグラフによって対処される。
第2のタイプのエラーは、ドメイン制約に違反しており、原型プロパティグラフに関して対処されていない。
論文 参考訳(メタデータ) (2021-07-12T16:44:21Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - GripNet: Graph Information Propagation on Supergraph for Heterogeneous
Graphs [6.672528545175732]
本稿では,フレキシブルで効率的なグラフ情報伝達ネットワーク(GripNet)を提案する。
具体的には、スーパー頂点とスーパーエッジからなる新しいスーパーグラフデータ構造を導入する。
我々は複数の大規模グラフを構築し、GripNetを競合する手法に対して評価し、リンク予測、ノード分類、データ統合においてその優位性を示す。
論文 参考訳(メタデータ) (2020-10-29T19:58:43Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳(メタデータ) (2020-04-30T14:16:19Z)
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。