論文の概要: Knowledge Graph Embedding in E-commerce Applications: Attentive Reasoning, Explanations, and Transferable Rules

• arxiv url: http://arxiv.org/abs/2112.08589v1
• Date: Thu, 16 Dec 2021 03:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 15:54:15.711564
• Title: Knowledge Graph Embedding in E-commerce Applications: Attentive Reasoning, Explanations, and Transferable Rules
• Title（参考訳）: 電子商取引アプリケーションにおける知識グラフの埋め込み:注意的推論、説明、転送可能なルール
• Authors: Wen Zhang, Shumin Deng, Mingyang Chen, Liang Wang, Qiang Chen, Feiyu Xiong, Xiangwen Liu, Huajun Chen
• Abstract要約: リンク予測やルール誘導といった推論タスクは知識グラフの開発において重要である。 知識グラフ埋め込み(KGE)は、連続ベクトル空間へのKGの実体と関係を埋め込むことが効率的かつ堅牢であることが証明されている。 しかし、KGEを実作業アプリケーションに適用し、デプロイする可能性や実現可能性については、十分に調査されていない。
• 参考スコア（独自算出の注目度）: 18.63983271518707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs), representing facts as triples, have been widely adopted in many applications. Reasoning tasks such as link prediction and rule induction are important for the development of KGs. Knowledge Graph Embeddings (KGEs) embedding entities and relations of a KG into continuous vector spaces, have been proposed for these reasoning tasks and proven to be efficient and robust. But the plausibility and feasibility of applying and deploying KGEs in real-work applications has not been well-explored. In this paper, we discuss and report our experiences of deploying KGEs in a real domain application: e-commerce. We first identity three important desiderata for e-commerce KG systems: 1) attentive reasoning, reasoning over a few target relations of more concerns instead of all; 2) explanation, providing explanations for a prediction to help both users and business operators understand why the prediction is made; 3) transferable rules, generating reusable rules to accelerate the deployment of a KG to new systems. While non existing KGE could meet all these desiderata, we propose a novel one, an explainable knowledge graph attention network that make prediction through modeling correlations between triples rather than purely relying on its head entity, relation and tail entity embeddings. It could automatically selects attentive triples for prediction and records the contribution of them at the same time, from which explanations could be easily provided and transferable rules could be efficiently produced. We empirically show that our method is capable of meeting all three desiderata in our e-commerce application and outperform typical baselines on datasets from real domain applications.
• Abstract（参考訳）: 事実をトリプルとして表現する知識グラフ(kgs)は、多くのアプリケーションで広く採用されている。 リンク予測やルール誘導といった推論タスクは、KGの開発において重要である。 知識グラフ埋め込み(kges)とkg の連続ベクトル空間への関係は、これらの推論タスクのために提案され、効率的かつ堅牢であることが証明されている。 しかし、KGEを実作業アプリケーションに適用し、デプロイする可能性や実現可能性については、十分に調査されていない。 本稿では,実際のドメインアプリケーションにKGEをデプロイした経験,すなわちeコマースについて論じ,報告する。 電子商取引KGシステムにおける3つの重要なデシラタを最初に同定する。 1) 注意深い推論であって,何よりも懸念事項の少数の目標関係を推論すること 2) ユーザと事業者の双方が予測を行う理由を理解するのに役立つ予測の説明を提供する説明 3) 再利用可能なルールを生成して,新しいシステムへのKGのデプロイを高速化する。 非既存のkgeはこれらのデシデラータをすべて満たすことができるが、我々は、単にヘッドエンティティ、リレーション、テールエンティティ埋め込みに頼るのではなく、トリプル間の相関をモデル化して予測する、説明可能な知識グラフアテンションネットワークを提案する。 予測のための注意深いトリプルを自動で選択し、それらを同時に記録し、そこから説明を容易に提供し、転送可能なルールを効率的に生成することができる。 eコマースアプリケーションにおける3つのデシデラタをすべて満たし、実際のドメインアプリケーションからのデータセットの典型的なベースラインを上回ることができることを実証的に示します。

関連論文リスト

• A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
  そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。 クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。 そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:18Z)
• A Pluggable Common Sense-Enhanced Framework for Knowledge Graph Completion [9.686794547679076]
  我々は,KGCの事実と常識の両方を組み込んだ,プラガブル・コモンセンス強化型KGCフレームワークを提案する。 このフレームワークは、エンティティ概念の豊かさに基づいて異なるKGに適応可能であり、明示的あるいは暗黙的な常識を自動的に生成する能力を持っている。 我々のアプローチは、多くの知識グラフ埋め込み(KGE)モデルのためのプラグイン可能なモジュールとして統合することができる。
  論文  参考訳（メタデータ） (2024-10-06T14:06:12Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
  知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。 我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。 本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:25:39Z)
• 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)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• EngineKGI: Closed-Loop Knowledge Graph Inference [37.15381932994768]
  EngineKGIは、新しいクローズドループKG推論フレームワークである。 KGEとルール学習を組み合わせて、クローズドループパターンで相互に補完する。 我々のモデルはリンク予測タスクにおいて、他のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T08:02:59Z)
• 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)
• Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs [18.92547855877845]
  知識グラフ(kgs)は、web検索、eコマース、ソーシャルネットワーク、生物学といった現実世界のアプリケーションにおいて、情報ストレージのためのユビキタスな構造である。 表現学習を,翻訳,交叉,結合問合せをkgs上で利用する自己教師付き論理問合せ推論問題として定式化する。 我々は,KG上の正の1次存在条件を用いて,その実体と関係をポインカーボール内のハイパーボロイドとして学習する,新しい自己教師型動的推論フレームワークであるHyperboloid Embeddings (HypE)を提案する。
  論文  参考訳（メタデータ） (2020-12-23T23:19:00Z)

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。