論文の概要: KGE-CL: Contrastive Learning of Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2112.04871v1
• Date: Thu, 9 Dec 2021 12:45:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 20:00:10.449347
• Title: KGE-CL: Contrastive Learning of Knowledge Graph Embeddings
• Title（参考訳）: KGE-CL:知識グラフ埋め込みの対照的な学習
• Authors: Wentao Xu, Zhiping Luo, Weiqing Liu, Jiang Bian, Jian Yin, Tie-Yan Liu
• Abstract要約: 本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
• 参考スコア（独自算出の注目度）: 64.67579344758214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the embeddings of knowledge graphs is vital in artificial intelligence, and can benefit various downstream applications, such as recommendation and question answering. In recent years, many research efforts have been proposed for knowledge graph embedding. However, most previous knowledge graph embedding methods ignore the semantic similarity between the related entities and entity-relation couples in different triples since they separately optimize each triple with the scoring function. To address this problem, we propose a simple yet efficient contrastive learning framework for knowledge graph embeddings, which can shorten the semantic distance of the related entities and entity-relation couples in different triples and thus improve the expressiveness of knowledge graph embeddings. We evaluate our proposed method on three standard knowledge graph benchmarks. It is noteworthy that our method can yield some new state-of-the-art results, achieving 51.2% MRR, 46.8% Hits@1 on the WN18RR dataset, and 59.1% MRR, 51.8% Hits@1 on the YAGO3-10 dataset.
• Abstract（参考訳）: 知識グラフの埋め込みを学ぶことは人工知能では不可欠であり、レコメンデーションや質問応答など、下流のさまざまなアプリケーションに役立つ可能性がある。 近年,知識グラフ埋め込みに関する研究が数多く提案されている。 しかし,従来のナレッジグラフ埋め込み手法では,各トリプルをスコアリング関数で別々に最適化するため,関連するエンティティとエンティティ-リレーショナルカップル間の意味的類似性を無視している。 この問題に対処するために,知識グラフ埋め込みの簡易かつ効率的なコントラスト学習フレームワークを提案する。これは,知識グラフ埋め込みの表現性を向上し,関連するエンティティとエンティティ-リレーション・カップル間の意味的距離を3倍に短縮する。 提案手法を3つの標準知識グラフベンチマークで評価する。 WN18RRデータセットでは51.2% MRR、WN18RRデータセットでは46.8% Hits@1、YAGO3-10データセットでは59.1% Hits@1、51.8% Hits@1である。

関連論文リスト

• KERMIT: Knowledge Graph Completion of Enhanced Relation Modeling with Inverse Transformation [19.31783654838732]
  大規模言語モデルを用いてコヒーレントな記述を生成し,クエリと回答のセマンティックなギャップを埋める。 また、逆関係を利用して対称グラフを作成し、KGCのための強化トレーニングサンプルを提供する。 提案手法は,WN18RRではHit@1が4.2%,FB15k-237ではHit@3が3.4%向上し,優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-26T09:03:25Z)
• Inferring High-level Geographical Concepts via Knowledge Graph and Multi-scale Data Integration: A Case Study of C-shaped Building Pattern Recognition [23.13018761290839]
  建築パターン認識は,都市形態の理解,地図の一般化の自動化,3次元都市モデルの可視化に重要である。 既存の研究の多くは、視覚知覚規則と近接グラフモデルに基づくオブジェクト非依存の手法を用いてパターンを抽出している。 知識グラフを用いて,C字型建築パターンの認識に着目したマルチスケールデータを統合する。
  論文  参考訳（メタデータ） (2023-04-19T03:03:50Z)
• KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
  知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。 既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。 グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:17:40Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• 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)
• Federated Knowledge Graphs Embedding [50.35484170815679]
  本稿では,fkge(federated knowledge graphs embedded)という分散スケーラブル学習フレームワークを提案する。 FKGEは、知識グラフのペア間の逆生成を利用して、異なるドメインの同一の実体と関係を近接埋め込み空間に変換する。 トレーニングデータのプライバシーを保護するために、FKGEはさらにプライバシー保護ニューラルネットワーク構造を実装し、生データの漏洩を保証しません。
  論文  参考訳（メタデータ） (2021-05-17T05:30:41Z)
• 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)
• EAGER: Embedding-Assisted Entity Resolution for Knowledge Graphs [4.363674669941547]
  EAGER(Embedding-Assisted Knowledge Graph Entity Resolution)と呼ばれる,より包括的なERアプローチを提案する。 異なる大きさの知識グラフと構造化された知識グラフを持つ23のベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-01-15T14:12:10Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。