論文の概要: Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment

• arxiv url: http://arxiv.org/abs/2201.11249v1
• Date: Tue, 25 Jan 2022 02:47:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 13:22:36.451903
• Title: Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment
• Title（参考訳）: エンティティアライメントのためのリレーショナルナレッジ蒸留による知識埋め込みと近所コンセンサスの共同学習
• Authors: Xinhang Li, Yong Zhang and Chunxiao Xing
• Abstract要約: エンティティアライメントは、異なる知識グラフから異種知識を統合することを目的としています。 近年の研究では、知識グラフを初めて学習し、エンティティアライメントを実行することで、埋め込みに基づく手法が採用されている。 本稿では,知識蒸留機能を備えたグラフ畳み込みネットワーク(GCN)モデルを提案する。
• 参考スコア（独自算出の注目度）: 9.701081498310165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment aims at integrating heterogeneous knowledge from different knowledge graphs. Recent studies employ embedding-based methods by first learning the representation of Knowledge Graphs and then performing entity alignment via measuring the similarity between entity embeddings. However, they failed to make good use of the relation semantic information due to the trade-off problem caused by the different objectives of learning knowledge embedding and neighborhood consensus. To address this problem, we propose Relational Knowledge Distillation for Entity Alignment (RKDEA), a Graph Convolutional Network (GCN) based model equipped with knowledge distillation for entity alignment. We adopt GCN-based models to learn the representation of entities by considering the graph structure and incorporating the relation semantic information into GCN via knowledge distillation. Then, we introduce a novel adaptive mechanism to transfer relational knowledge so as to jointly learn entity embedding and neighborhood consensus. Experimental results on several benchmarking datasets demonstrate the effectiveness of our proposed model.
• Abstract（参考訳）: エンティティアライメントは、異なる知識グラフから異種知識を統合することを目的としている。 近年の研究では、まず知識グラフの表現を学習し、次いでエンティティ埋め込みの類似性を測定することによってエンティティアライメントを実行する。 しかし,学習知識の埋め込みや近隣の合意の異なる目的によって引き起こされるトレードオフ問題により,関係意味情報をうまく活用できなかった。 本稿では,エンティティアライメントのための知識蒸留機能を備えたグラフ畳み込みネットワーク(gcn)モデルである,エンティティアライメントのための関係知識蒸留(rkdea)を提案する。 我々はGCNに基づくモデルを用いて、グラフ構造を考慮し、知識蒸留による関係意味情報をGCNに組み込むことにより、エンティティの表現を学習する。 そこで我々は,関係知識を伝達する新しい適応機構を導入し,エンティティの埋め込みと近傍のコンセンサスを共同で学習する。 いくつかのベンチマークデータセットにおける実験結果は,提案モデルの有効性を示している。

関連論文リスト

• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• Rule-Guided Joint Embedding Learning over Knowledge Graphs [6.831227021234669]
  本稿では,コンテキスト情報とリテラル情報の両方を実体と関係埋め込みに組み込んだ新しいモデルを提案する。 文脈情報については,信頼度と関連度を指標として重要度を評価する。 2つの確立されたベンチマークデータセットに対して、徹底的な実験を行い、モデル性能を検証する。
  論文  参考訳（メタデータ） (2023-12-01T19:58:31Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
  構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。 どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
  論文  参考訳（メタデータ） (2023-05-02T17:33:28Z)
• Knowledge Relation Rank Enhanced Heterogeneous Learning Interaction Modeling for Neural Graph Forgetting Knowledge Tracing [1.0152838128195467]
  知識追跡モデルは 教育データマイニングに応用されています ニューラルネットワークを用いた知識追跡(NGFKT)のための知識関係ランク強化不均質学習相互作用モデリングを提案する。 NGFKTモデルは、AUC、ACC、パフォーマンス安定性(PS)の観点から、すべてのベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-08T07:29:53Z)
• Knowledge Graph Completion with Counterfactual Augmentation [23.20561746976504]
  我々は,「実体の近傍が観察と異なるものになったら,その関係は存在するのか?」という反事実的疑問を提起する。 知識グラフ上の因果モデルを慎重に設計し,その疑問に答える反事実関係を生成する。 我々は、KGs上のGNNベースのフレームワークと作成した対物関係を組み込んで、エンティティペア表現の学習を増強する。
  論文  参考訳（メタデータ） (2023-02-25T14:08:15Z)
• Knowledge Graph Embedding using Graph Convolutional Networks with Relation-Aware Attention [3.803929794912623]
  知識グラフ埋め込み法は、実体と関係の埋め込みを低次元空間で学習する。 さまざまな種類の情報を用いて実体と関係の特徴を学習する様々なグラフ畳み込みネットワーク手法が提案されている。 本稿では,関係情報を利用して隣接ノードの重み付けを計算し,エンティティと関係の埋め込みを学習する関係認識グラフ注意モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-14T17:19:44Z)
• 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)
• DisenE: Disentangling Knowledge Graph Embeddings [33.169388832519]
  DisenEは、非絡み合いの知識グラフの埋め込みを学習するためのエンドツーエンドフレームワークである。 我々は,モデルが与えられた関係に応じて,エンティティ埋め込みの関連コンポーネントに明示的に焦点を絞ることができるように,注意に基づく機構を導入する。
  論文  参考訳（メタデータ） (2020-10-28T03:45:19Z)
• 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。