Fugu-MT 論文翻訳(概要): On the Effectiveness of Knowledge Graph Embeddings: a Rule Mining Approach

論文の概要: On the Effectiveness of Knowledge Graph Embeddings: a Rule Mining Approach

arxiv url: http://arxiv.org/abs/2206.00983v1
Date: Thu, 2 Jun 2022 10:57:09 GMT
ステータス: 処理完了
システム内更新日: 2022-06-03 13:21:09.783201
Title: On the Effectiveness of Knowledge Graph Embeddings: a Rule Mining Approach
Title（参考訳）: 知識グラフ埋め込みの有効性について-ルールマイニングアプローチ
Authors: Johanna J{\o}sang, Ricardo Guimar\~aes, Ana Ozaki
Abstract要約: ルールマイニングによる知識グラフ完成のための知識グラフ埋め込み(KGE)の有効性について検討する。より具体的には、抽出されたルールの違いを比較するために、KGEによって完了した前後のKGからルールを抽出する。実験の結果,KG の完全化に対する KGE のアプローチによって,抽出したルールの間に大きな違いが生じることが示された。
参考スコア（独自算出の注目度）: 11.556969989963358
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the effectiveness of Knowledge Graph Embeddings (KGE) for knowledge graph (KG) completion with rule mining. More specifically, we mine rules from KGs before and after they have been completed by a KGE to compare possible differences in the rules extracted. We apply this method to classical KGEs approaches, in particular, TransE, DistMult and ComplEx. Our experiments indicate that there can be huge differences between the extracted rules, depending on the KGE approach for KG completion. In particular, after the TransE completion, several spurious rules were extracted.
Abstract（参考訳）: ルールマイニングによる知識グラフ完成のための知識グラフ埋め込み(KGE)の有効性を検討した。より具体的には、抽出されたルールの相違を比較するために、KGEによって完成前後のKGからルールを抽出する。本稿では,この手法を古典的KGE,特にTransE,DistMult,ComplExに適用する。実験の結果,KG の完全化に対する KGE のアプローチによって,抽出したルールの間に大きな違いが生じることが示された。特にTransE完了後、いくつかの素早い規則が抽出された。

関連論文リスト

Learning Rules from KGs Guided by Language Models [48.858741745144044]
ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
論文参考訳（メタデータ） (2024-09-12T09:27:36Z)
On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
KG強化推薦のための新しいコントラスト学習フレームワークを提案する。我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
論文参考訳（メタデータ） (2023-09-23T14:05:55Z)
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)
Simple Rule Injection for ComplEx Embeddings [7.19573352891936]
本稿では,単純な制約によって複数のルールを注入する機構であるInjExを提案する。 InjExは、解釈可能な事前知識を埋め込み空間に注入することを示した。実験結果から,InjExはKGCモデルと特殊小ショットモデルの両方に優れることがわかった。
論文参考訳（メタデータ） (2023-08-07T03:19:59Z)
Collective Knowledge Graph Completion with Mutual Knowledge Distillation [11.922522192224145]
我々は,異なるKGからの集合的知識の最大化に焦点をあてるマルチKG完備化の問題について検討する。 CKGC-CKDと呼ばれる,個々のKGと大きな融合KGの両方で,関係対応グラフ畳み込みネットワークエンコーダモデルを用いる新しい手法を提案する。複数言語データセットによる実験結果から,本手法はKGCタスクにおけるすべての最先端モデルより優れていることが示された。
論文参考訳（メタデータ） (2023-05-25T09:49:40Z)
Generalizing to Unseen Elements: A Survey on Knowledge Extrapolation for Knowledge Graphs [46.202752149611776]
知識グラフ(KG)は様々なアプリケーションにおいて貴重な知識資源となっている。従来型の知識グラフ埋め込み(KGE)メソッドは、モデルテスト中に目に見えないエンティティや関係を扱う場合、依然として課題に直面している。一般用語の集合を用いてこれらの手法を統一し、それらを総合的に知識外挿と呼ぶ。
論文参考訳（メタデータ） (2023-02-03T17:05:59Z)
RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
論文参考訳（メタデータ） (2022-10-24T06:47:13Z)
EngineKGI: Closed-Loop Knowledge Graph Inference [37.15381932994768]
EngineKGIは、新しいクローズドループKG推論フレームワークである。 KGEとルール学習を組み合わせて、クローズドループパターンで相互に補完する。我々のモデルはリンク予測タスクにおいて、他のベースラインよりも優れています。
論文参考訳（メタデータ） (2021-12-02T08:02:59Z)
DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文参考訳（メタデータ） (2021-08-26T16:19:59Z)
FedE: Embedding Knowledge Graphs in Federated Setting [21.022513922373207]
マルチソースKGは、実際の知識グラフアプリケーションでは一般的な状況である。データプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけで、お互いのKGCを補完することはできない。我々は,局所的な更新を集約して知識グラフの埋め込みを学習することに焦点を当てた,知識グラフ埋め込みフレームワークであるフェデレーション(Federated Knowledge Graph Embedding)を提案する。
論文参考訳（メタデータ） (2020-10-24T11:52:05Z)

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。