論文の概要: DegreEmbed: incorporating entity embedding into logic rule learning for
knowledge graph reasoning
- arxiv url: http://arxiv.org/abs/2112.09933v1
- Date: Sat, 18 Dec 2021 13:38:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 09:16:46.381224
- Title: DegreEmbed: incorporating entity embedding into logic rule learning for
knowledge graph reasoning
- Title(参考訳): DegreEmbed:知識グラフ推論のためのロジックルール学習にエンティティ埋め込みを組み込む
- Authors: Yuliang Wei, Haotian Li, Yao Wang, Guodong Xin, Hongri Liu
- Abstract要約: 知識グラフのリンク予測は、既存の知識に基づいて推論することで、行方不明の事実を完遂することを目的としたタスクである。
組込み学習と論理ルールマイニングを組み合わせたKG上での推論モデルであるDegreEmbedを提案する。
- 参考スコア(独自算出の注目度): 5.499688003232003
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graphs (KGs), as structured representations of real world facts,
are intelligent databases incorporating human knowledge that can help machine
imitate the way of human problem solving. However, due to the nature of rapid
iteration as well as incompleteness of data, KGs are usually huge and there are
inevitably missing facts in KGs. Link prediction for knowledge graphs is the
task aiming to complete missing facts by reasoning based on the existing
knowledge. Two main streams of research are widely studied: one learns
low-dimensional embeddings for entities and relations that can capture latent
patterns, and the other gains good interpretability by mining logical rules.
Unfortunately, previous studies rarely pay attention to heterogeneous KGs. In
this paper, we propose DegreEmbed, a model that combines embedding-based
learning and logic rule mining for inferring on KGs. Specifically, we study the
problem of predicting missing links in heterogeneous KGs that involve entities
and relations of various types from the perspective of the degrees of nodes.
Experimentally, we demonstrate that our DegreEmbed model outperforms the
state-of-the-art methods on real world datasets. Meanwhile, the rules mined by
our model are of high quality and interpretability.
- Abstract(参考訳): 知識グラフ (KG) は、人間の知識を組み込んだインテリジェントデータベースであり、機械が人間の問題解決のやり方を模倣するのに役立つ。
しかし、迅速なイテレーションの性質とデータの不完全性により、kgは通常巨大であり、kgには必然的に事実が欠落している。
知識グラフのリンク予測は、既存の知識に基づいて推論することで、行方不明の事実を完遂することを目的としたタスクである。
2つの主要な研究ストリームは広く研究されている: 1つは、潜伏パターンを捉えることができる実体と関係のための低次元の埋め込みを学習し、もう1つは論理規則をマイニングすることで良好な解釈性を得る。
残念なことに、以前の研究では異種KGにはほとんど注目されなかった。
本稿では,組込み学習と論理ルールマイニングを組み合わせたKGの推論モデルであるDegreEmbedを提案する。
具体的には,ノードの次数の観点から,様々なタイプの実体や関係を含む異種kgの欠落リンクを予測する問題について検討する。
実験により,我々のDegreEmbedモデルは実世界のデータセット上で最先端の手法よりも優れていることを示した。
一方、我々のモデルによって掘り起こされたルールは、品質と解釈性が高い。
関連論文リスト
- 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) - 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) - Geometric Knowledge Distillation: Topology Compression for Graph Neural
Networks [80.8446673089281]
グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。
本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。
基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
論文 参考訳(メタデータ) (2022-10-24T08:01:58Z) - I Know What You Do Not Know: Knowledge Graph Embedding via
Co-distillation Learning [16.723470319188102]
知識グラフの埋め込みは、実体と関係のベクトル表現を学習しようとする。
近年の研究では、事前学習された言語モデルを用いて、実体や関係のテキスト情報に基づいて埋め込みを学習している。
我々は,グラフ構造とテキスト情報の補完を利用するKG Embeddingの共蒸留学習手法であるCoLEを提案する。
論文 参考訳(メタデータ) (2022-08-21T07:34:37Z) - Knowledgebra: An Algebraic Learning Framework for Knowledge Graph [15.235089177507897]
知識グラフ(KG)表現学習は、データセットに含まれる知識を一貫して表現できるように、エンティティと関係を密度の高い連続ベクトル空間に符号化することを目的としている。
我々は,KG の代数構造を観察し,KG の数学的言語を開発した。
本研究では,標準的なデータセット上での最先端性能を示す,単純な行列半群を用いたインスタンス化モデルSemEを実装した。
論文 参考訳(メタデータ) (2022-04-15T04:53:47Z) - MPLR: a novel model for multi-target learning of logical rules for
knowledge graph reasoning [5.499688003232003]
本研究では,知識グラフに基づく推論のための論理規則の学習問題について検討する。
本稿では,学習データを完全に活用するために既存のモデルを改善するMPLRと呼ばれるモデルを提案する。
実験結果は,MPLRモデルが5つのベンチマークデータセット上で最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-12-12T09:16:00Z) - What is Learned in Knowledge Graph Embeddings? [3.224929252256631]
知識グラフ(英: knowledge graph, KG)とは、有向グラフの頂点と辺として実体と関係を表すデータ構造である。
本稿では,関係性間の規則の学習が,組込み方式の性能向上の要因であるかどうかを考察する。
合成KGの実験により、KGモデルがモチーフを学習し、その能力が非モチーフエッジによってどのように劣化するかを示す。
論文 参考訳(メタデータ) (2021-10-19T13:52:11Z) - 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) - A Hybrid Model for Learning Embeddings and Logical Rules Simultaneously
from Knowledge Graphs [20.438750956142638]
高品質なルールと埋め込みを同時に学習するハイブリッドモデルを開発した。
提案手法は相互フィードバックのパラダイムを用いて,ルールマイニングシステムの探索と新たな事実の推測を行うための埋め込みモデルを用いている。
論文 参考訳(メタデータ) (2020-09-22T20:29:27Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳(メタデータ) (2020-04-25T04:53:54Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳(メタデータ) (2020-01-08T01:19:08Z)
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。