論文の概要: Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2205.00782v1
• Date: Mon, 2 May 2022 10:05:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 20:21:10.303141
• Title: Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs
• Title（参考訳）: 知識グラフ上のマルチホップ推論のためのタイプアウェア埋め込み
• Authors: Zhiwei Hu, V\'ictor Guti\'errez-Basulto, Zhiliang Xiang, Xiaoli Li, Ru Li, Jeff Z. Pan
• Abstract要約: 実生活知識グラフ(KG)に対するマルチホップ推論は非常に難しい問題である。 この問題に対処するため、最近、論理的クエリとKGを併用した有望なアプローチを導入している。 本稿では,クエリにおけるエンティティと関係表現を強化する新しいTEMP(TypE-aware Message Passing)モデルを提案する。
• 参考スコア（独自算出の注目度）: 18.56742938427262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop reasoning over real-life knowledge graphs (KGs) is a highly challenging problem as traditional subgraph matching methods are not capable to deal with noise and missing information. To address this problem, it has been recently introduced a promising approach based on jointly embedding logical queries and KGs into a low-dimensional space to identify answer entities. However, existing proposals ignore critical semantic knowledge inherently available in KGs, such as type information. To leverage type information, we propose a novel TypE-aware Message Passing (TEMP) model, which enhances the entity and relation representations in queries, and simultaneously improves generalization, deductive and inductive reasoning. Remarkably, TEMP is a plug-and-play model that can be easily incorporated into existing embedding-based models to improve their performance. Extensive experiments on three real-world datasets demonstrate TEMP's effectiveness.
• Abstract（参考訳）: 実生活知識グラフ(KG)に対するマルチホップ推論は、従来のサブグラフマッチング手法ではノイズや欠落情報を扱うことができないため、非常に難しい問題である。 この問題に対処するため、最近、論理クエリとkgsを共同で低次元空間に埋め込み、回答エンティティを識別する有望なアプローチが導入された。 しかし、既存の提案では、タイプ情報など、KGで本質的に利用可能な重要な意味知識を無視している。 タイプ情報を活用するために,クエリにおけるエンティティと関係表現を強化し,一般化,帰納的,帰納的推論を同時に改善する,新しいTypE対応メッセージパッシング(TEMP)モデルを提案する。 注目すべきは、TEMPはプラグイン・アンド・プレイモデルであり、既存の埋め込みベースのモデルに簡単に組み込んでパフォーマンスを向上させることができることである。 3つの実世界のデータセットに対する大規模な実験は、TEMPの有効性を示している。

関連論文リスト

• Comprehending Knowledge Graphs with Large Language Models for Recommender Systems [13.270018897057293]
  本稿では,知識認識のための大規模言語モデルを活用したCoLaKGという新しい手法を提案する。 まず、KG から各項目を中心とする部分グラフを抽出し、それらを LLM のテキスト入力に変換する。 LLMはこれらの項目中心のサブグラフの理解を出力し、その後セマンティック埋め込みに変換する。
  論文  参考訳（メタデータ） (2024-10-16T04:44:34Z)
• G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
  本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。 特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。 その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
  論文  参考訳（メタデータ） (2024-05-09T08:28:12Z)
• Type-based Neural Link Prediction Adapter for Complex Query Answering [2.1098688291287475]
  本稿では,タイプベースエンティティ関係グラフを構成する新しいモデルであるTypEベースのニューラルリンク予測アダプタ(TENLPA)を提案する。 型情報と複雑な論理的クエリを効果的に結合するために,適応学習機構を導入する。 3つの標準データセットの実験により、TENLPAモデルが複雑なクエリ応答における最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-01-29T10:54:28Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• Large Language Models as Analogical Reasoners [155.9617224350088]
  CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。 そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
  論文  参考訳（メタデータ） (2023-10-03T00:57:26Z)
• MinT: Boosting Generalization in Mathematical Reasoning via Multi-View Fine-Tuning [53.90744622542961]
  数学領域における推論は、小言語モデル(LM)にとって重要な課題である。 多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。 実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-16T05:41:53Z)
• 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)
• ALBERT with Knowledge Graph Encoder Utilizing Semantic Similarity for Commonsense Question Answering [1.7205106391379026]
  本稿では,知識グラフ情報抽出技術を用いたトランスフォーマー(ALBERT)の双方向エンコーダ表現として,最新の事前学習言語モデルを提案する。 提案モデルでは,CommonsenseQAデータセットの既存のKagNetおよびMHGRNモデルよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-14T01:39:26Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)

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。