論文の概要: Query2Particles: Knowledge Graph Reasoning with Particle Embeddings

• arxiv url: http://arxiv.org/abs/2204.12847v1
• Date: Wed, 27 Apr 2022 11:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 18:38:54.504860
• Title: Query2Particles: Knowledge Graph Reasoning with Particle Embeddings
• Title（参考訳）: query2particles: 素粒子埋め込みによる知識グラフ推論
• Authors: Jiaxin Bai, Zihao Wang, Hongming Zhang, Yangqiu Song
• Abstract要約: 本稿では,知識グラフにエッジを欠いた複雑な論理的クエリに応答するクエリ埋め込み手法を提案する。 回答エンティティは、エンティティの埋め込みとクエリの埋め込みの類似性に応じて選択される。 埋め込み空間上の様々な領域から多様な回答を検索するために,複雑なKGクエリ応答方法Q2Pを提案する。
• 参考スコア（独自算出の注目度）: 49.64006979045662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Answering complex logical queries on incomplete knowledge graphs (KGs) with missing edges is a fundamental and important task for knowledge graph reasoning. The query embedding method is proposed to answer these queries by jointly encoding queries and entities to the same embedding space. Then the answer entities are selected according to the similarities between the entity embeddings and the query embedding. As the answers to a complex query are obtained from a combination of logical operations over sub-queries, the embeddings of the answer entities may not always follow a uni-modal distribution in the embedding space. Thus, it is challenging to simultaneously retrieve a set of diverse answers from the embedding space using a single and concentrated query representation such as a vector or a hyper-rectangle. To better cope with queries with diversified answers, we propose Query2Particles (Q2P), a complex KG query answering method. Q2P encodes each query into multiple vectors, named particle embeddings. By doing so, the candidate answers can be retrieved from different areas over the embedding space using the maximal similarities between the entity embeddings and any of the particle embeddings. Meanwhile, the corresponding neural logic operations are defined to support its reasoning over arbitrary first-order logic queries. The experiments show that Query2Particles achieves state-of-the-art performance on the complex query answering tasks on FB15k, FB15K-237, and NELL knowledge graphs.
• Abstract（参考訳）: 不完全知識グラフ(KG)上の複雑な論理的クエリとエッジの欠如に答えることは、知識グラフ推論の基本的な重要な課題である。 クエリとエンティティを同一の埋め込み空間に共同で符号化することで,これらのクエリに応答する。 そして、エンティティの埋め込みとクエリの埋め込みの類似性に応じて、回答エンティティが選択される。 複素クエリに対する答えは、サブクエリ上の論理演算の組み合わせから得られるので、答えエンティティの埋め込みは常に埋め込み空間におけるユニモーダル分布に従うとは限らない。 したがって、ベクトルや超矩形といった単一の集中した問合せ表現を用いて、埋め込み空間から多様な回答のセットを同時に取り出すのは困難である。 そこで本研究では,複雑なKGクエリ応答法であるQuery2Particles (Q2P)を提案する。 Q2Pは各クエリを複数のベクトルにエンコードする。 そうすることで、候補の答えは、エンティティ埋め込みと任意の粒子埋め込みの間の最大類似性を用いて、埋め込み空間上の異なる領域から取り出すことができる。 一方、対応するニューラルネットワーク操作は、任意の一階述語論理クエリに対する推論をサポートするように定義される。 実験の結果,Query2Particlesは,FB15k,FB15K-237,NELL知識グラフ上での複雑なクエリ応答タスクに対して,最先端のパフォーマンスを実現することがわかった。

関連論文リスト

• DAGE: DAG Query Answering via Relational Combinator with Logical Constraints [24.60431781360608]
  DAGEと呼ばれるDAGクエリに対するクエリ埋め込み手法を提案する。 DAGEは2つのノード間の可能性のある複数のパスを、トレーニング可能なオペレータで単一のパスに結合する。 既存のクエリ埋め込みメソッド上にDAGEを実装することが可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-29T15:02:48Z)
• RConE: Rough Cone Embedding for Multi-Hop Logical Query Answering on Multi-Modal Knowledge Graphs [30.94793132285142]
  知識グラフ上で応答するマルチホップクエリは、クエリに応答するために、開始ノードから1つ以上のホップをトラバースする。 本稿では,クエリに応答するために必要なマルチモーダル情報をキャプチャする埋め込み手法RConEを提案する。 MMKGを問合せする論理構造を初めて導入し,その答えとしてマルチモーダルエンティティのサブエンティティを含む問合せに答える。
  論文  参考訳（メタデータ） (2024-08-21T11:02:35Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
  マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。 我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
  論文  参考訳（メタデータ） (2021-06-15T14:08:50Z)
• Logic Embeddings for Complex Query Answering [56.25151854231117]
  skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。 論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
  論文  参考訳（メタデータ） (2021-02-28T07:52:37Z)
• Answering Complex Queries in Knowledge Graphs with Bidirectional Sequence Encoders [22.63481666560029]
  本稿では,双方向アテンション機構に基づくモデルで共役クエリを埋め込む手法であるBi-Directional Query Embedding (BIQE)を提案する。 本稿では,BIQEがアートベースラインを著しく上回ることを示す,結合クエリの解答を予測するための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2020-04-06T12:17:57Z)
• Query2box: Reasoning over Knowledge Graphs in Vector Space using Box Embeddings [84.0206612938464]
  query2boxは、不完全な知識グラフ上の任意のクエリを推論するための埋め込みベースのフレームワークである。 query2boxは、スケーラブルな方法で$wedge$, $vee$, $exists$で任意の論理クエリを処理可能であることを示す。 本稿では,3つの大規模KGに対するQuery2boxの有効性を示すとともに,クエリ2boxが技術状況に対して最大25%の相対的な改善を達成可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T11:20:10Z)

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。