論文の概要: Learning Attention-based Representations from Multiple Patterns for
Relation Prediction in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2206.04801v1
- Date: Tue, 7 Jun 2022 10:53:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 00:16:59.397728
- Title: Learning Attention-based Representations from Multiple Patterns for
Relation Prediction in Knowledge Graphs
- Title(参考訳): 知識グラフにおける関係予測のための複数パターンからの注意に基づく表現の学習
- Authors: V\'itor Louren\c{c}o and Aline Paes
- Abstract要約: AEMPは、エンティティのコンテキスト情報を取得することによって、コンテキスト化された表現を学習するための新しいモデルである。
AEMPは、最先端の関係予測手法よりも優れるか、競合する。
- 参考スコア(独自算出の注目度): 2.4028383570062606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge bases, and their representations in the form of knowledge graphs
(KGs), are naturally incomplete. Since scientific and industrial applications
have extensively adopted them, there is a high demand for solutions that
complete their information. Several recent works tackle this challenge by
learning embeddings for entities and relations, then employing them to predict
new relations among the entities. Despite their aggrandizement, most of those
methods focus only on the local neighbors of a relation to learn the
embeddings. As a result, they may fail to capture the KGs' context information
by neglecting long-term dependencies and the propagation of entities'
semantics. In this manuscript, we propose {\AE}MP (Attention-based Embeddings
from Multiple Patterns), a novel model for learning contextualized
representations by: (i) acquiring entities' context information through an
attention-enhanced message-passing scheme, which captures the entities' local
semantics while focusing on different aspects of their neighborhood; and (ii)
capturing the semantic context, by leveraging the paths and their relationships
between entities. Our empirical findings draw insights into how attention
mechanisms can improve entities' context representation and how combining
entities and semantic path contexts improves the general representation of
entities and the relation predictions. Experimental results on several large
and small knowledge graph benchmarks show that {\AE}MP either outperforms or
competes with state-of-the-art relation prediction methods.
- Abstract(参考訳): 知識基底とその表現は知識グラフ(KG)の形で自然に不完全である。
科学や産業の応用が広く採用されているため、その情報を完成させるソリューションの需要が高い。
近年のいくつかの研究は、エンティティとリレーションシップの埋め込みを学習し、エンティティ間の新しい関係を予測するためにそれらを活用することで、この課題に対処している。
疎遠さにもかかわらず、これらの手法のほとんどは、埋め込みを学ぶために、関係のローカルな隣人だけに焦点を当てている。
その結果、長期依存やエンティティのセマンティクスの伝播を無視して、KGのコンテキスト情報を捕捉できない可能性がある。
本稿では,文脈化表現を学習する新しいモデルである {\AE}MP (Attention-based Embeddings from Multiple Patterns)を提案する。
(i)注意を喚起したメッセージ・パッシング・スキームを通じて、近隣の異なる側面に焦点を合わせながら、エンティティのローカルなセマンティクスを捉えて、エンティティのコンテキスト情報を取得すること。
(II) エンティティ間の経路とそれらの関係を利用して意味的コンテキストをキャプチャする。
我々の経験的知見は、注目メカニズムがエンティティのコンテキスト表現をどのように改善するか、エンティティとセマンティックパスのコンテキストの組み合わせがエンティティの一般的な表現と関係予測をどのように改善するかに関する洞察を導き出す。
幾つもの大小の知識グラフベンチマークの実験結果から、 {\AE}MPは最先端の相関予測手法に勝るか、競合するかのどちらかを示している。
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) - 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) - Knowledge-Enhanced Hierarchical Information Correlation Learning for
Multi-Modal Rumor Detection [82.94413676131545]
マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。
KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。
画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
論文 参考訳(メタデータ) (2023-06-28T06:08:20Z) - Explainable Representations for Relation Prediction in Knowledge Graphs [0.0]
本稿では、知識グラフにおける関係予測を支援するための説明可能な表現のための新しいアプローチであるSEEKを提案する。
それは、エンティティと各サブグラフの学習表現の間の関連する共有意味的側面を識別することに基づいている。
本研究では,タンパク質間相互作用予測と遺伝子発現関連予測の2つの実世界の関係予測タスクについてSEEKを評価した。
論文 参考訳(メタデータ) (2023-06-22T06:18:40Z) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。
隣り合う部分グラフにメッセージ通信機構を導入する。
我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
論文 参考訳(メタデータ) (2023-05-23T13:51:46Z) - Topics as Entity Clusters: Entity-based Topics from Large Language Models and Graph Neural Networks [0.6486052012623045]
本稿では,エンティティのバイモーダルベクトル表現を用いたトピッククラスタリング手法を提案する。
我々のアプローチは、最先端のモデルと比較してエンティティを扱うのに適している。
論文 参考訳(メタデータ) (2023-01-06T10:54:54Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳(メタデータ) (2021-03-29T14:37:35Z) - 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) - Explainable Link Prediction for Emerging Entities in Knowledge Graphs [44.87285668747474]
クロスドメイン知識グラフは固有の不完全性と疎性に悩まされる。
リンク予測は、ソースエンティティとクエリ関係が与えられたターゲットエンティティを推論することで、これを緩和することができる。
本稿では,未確認なエンティティの表現を学習可能な帰納的表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-01T22:17:37Z) - Exploiting Structured Knowledge in Text via Graph-Guided Representation
Learning [73.0598186896953]
本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。
エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。
既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
論文 参考訳(メタデータ) (2020-04-29T14:22:42Z)
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。