論文の概要: TransHER: Translating Knowledge Graph Embedding with Hyper-Ellipsoidal Restriction

• arxiv url: http://arxiv.org/abs/2204.13221v1
• Date: Wed, 27 Apr 2022 22:49:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 12:47:00.789072
• Title: TransHER: Translating Knowledge Graph Embedding with Hyper-Ellipsoidal Restriction
• Title（参考訳）: TransHER:超楕円体制限を用いた知識グラフの翻訳
• Authors: Yizhi Li, Wei Fan, Chao Liu, Chenghua Lin, Jiang Qian
• Abstract要約: 本稿では知識グラフ埋め込みのための新しいスコア関数TransHERを提案する。 我々のモデルでは、まずエンティティを2つの別々の超楕円体にマッピングし、その1つについて関係特異的な翻訳を行う。 実験結果から,TransHERは最先端のパフォーマンスを実現し,異なる領域やスケールのデータセットに一般化可能であることが示された。
• 参考スコア（独自算出の注目度）: 14.636054717485207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embedding methods are important for knowledge graph completion (link prediction) due to their robust performance and efficiency on large-magnitude datasets. One state-of-the-art method, PairRE, leverages two separate vectors for relations to model complex relations (i.e., 1-to-N, N-to-1, and N-to-N) in knowledge graphs. However, such a method strictly restricts entities on the hyper-ellipsoid surface and thus limits the optimization of entity distribution, which largely hinders the performance of knowledge graph completion. To address this problem, we propose a novel score function TransHER, which leverages relation-specific translations between head and tail entities restricted on separate hyper-ellipsoids. Specifically, given a triplet, our model first maps entities onto two separate hyper-ellipsoids and then conducts a relation-specific translation on one of them. The relation-specific translation provides TransHER with more direct guidance in optimization and the ability to learn semantic characteristics of entities with complex relations. Experimental results show that TransHER can achieve state-of-the-art performance and generalize to datasets in different domains and scales. All our code will be publicly available.
• Abstract（参考訳）: 知識グラフ埋め込み手法は,大規模データセットにおけるロバストな性能と効率性から,知識グラフ補完(リンク予測)において重要である。 最先端の方法の1つであるPairREは、知識グラフにおける複素関係(すなわち、1-to-N、N-to-1、N-to-N)をモデル化するために2つの別個のベクトルを利用する。 しかし、そのような手法は、超楕円面上のエンティティを厳格に制限し、エンティティ分布の最適化を制限し、知識グラフの完備化を阻害する。 そこで本研究では,分離した超楕円体に制限される頭部と尾部の関係特異的な翻訳を利用するスコア関数トランスヘルを提案する。 特に、三重項を与えられたモデルでは、まずエンティティを2つの別々の超楕円体にマッピングし、その1つについて関係特異的な翻訳を行う。 関係特化翻訳により、TransHERはより直接的な最適化ガイダンスと複雑な関係を持つエンティティの意味的特性を学ぶことができる。 実験結果から,TransHERは最先端のパフォーマンスを実現し,異なる領域やスケールのデータセットに一般化可能であることが示された。 すべてのコードが公開される予定だ。

関連論文リスト

• Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
  知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。 本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。 BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
  論文  参考訳（メタデータ） (2024-10-09T10:20:54Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• TranS: Transition-based Knowledge Graph Embedding with Synthetic Relation Representation [14.759663752868487]
  本稿では,知識グラフ埋め込みのためのトランジションベースの新しい手法TranSを提案する。 従来のスコアリングパターンの単一関係ベクトルを合成関係表現に置き換えることで、これらの問題を効果的かつ効率的に解決することができる。 大規模知識グラフデータセット ogbl-wikikg2 の実験は、我々のモデルが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-04-18T16:55:25Z)
• Semi-Supervised Graph-to-Graph Translation [31.47555366566109]
  グラフ翻訳は有望な研究の方向性であり、現実世界に広く応用できる可能性がある。 重要な理由のひとつは、高品質なペアデータセットがないことだ。 意味遷移をモデル化するために変換を明示的に行う双対表現空間を構築することを提案する。
  論文  参考訳（メタデータ） (2021-03-16T03:24:20Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• RatE: Relation-Adaptive Translating Embedding for Knowledge Graph Completion [51.64061146389754]
  複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。 次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
  論文  参考訳（メタデータ） (2020-10-10T01:30:30Z)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)
• TransEdge: Translating Relation-contextualized Embeddings for Knowledge Graphs [25.484805501929365]
  近年,知識グラフの埋め込み学習が注目されている。 文学におけるほとんどの埋め込みモデルは、エンティティ埋め込みを操作する線形あるいは双線型写像関数として関係を解釈する。 本稿では,エッジ中心の埋め込みモデルTransEdgeを提案する。
  論文  参考訳（メタデータ） (2020-04-22T03:00:45Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。