論文の概要: DHGE: Dual-view Hyper-Relational Knowledge Graph Embedding for Link Prediction and Entity Typing

• arxiv url: http://arxiv.org/abs/2207.08562v1
• Date: Mon, 18 Jul 2022 12:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 14:07:08.554102
• Title: DHGE: Dual-view Hyper-Relational Knowledge Graph Embedding for Link Prediction and Entity Typing
• Title（参考訳）: DHGE: リンク予測とエンティティタイピングのためのデュアルビューハイパーリレーショナル知識グラフ埋め込み
• Authors: Haoran Luo, Haihong E, Ling Tan, Xueyuan Lin, Gengxian Zhou, Jundi Li, Tianyu Yao, Kaiyang Wan
• Abstract要約: 本稿では、エンティティのハイパーリレーショナルインスタンスビューと、エンティティから抽象化された概念のハイパーリレーショナルビューを含む、デュアルビューのハイパーリレーショナルKG構造を提案する。 また,GRANエンコーダ,HGNN,共同学習に基づくDH-KG埋め込みモデルDHGEを提案する。
• 参考スコア（独自算出の注目度）: 1.162201791282898
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the field of representation learning on knowledge graphs (KGs), a hyper-relational fact consists of a main triple and several auxiliary attribute value descriptions, which is considered to be more comprehensive and specific than a triple-based fact. However, the existing hyper-relational KG embedding methods in a single view are limited in application due to weakening the hierarchical structure representing the affiliation between entities. To break this limitation, we propose a dual-view hyper-relational KG (DH-KG) structure which contains a hyper-relational instance view for entities and a hyper-relational ontology view for concepts abstracted hierarchically from entities to jointly model hyper-relational and hierarchical information. In this paper, we first define link prediction and entity typing tasks on DH-KG and construct two DH-KG datasets, JW44K-6K extracted from Wikidata and HTDM based on medical data. Furthermore, We propose a DH-KG embedding model DHGE, based on GRAN encoder, HGNN, and joint learning. Experimental results show that DHGE outperforms baseline models on DH-KG. We also provide an example of the application of this technology in the field of hypertension medication. Our model and datasets are publicly available.
• Abstract（参考訳）: 知識グラフ(KGs)の表現学習の分野では、超関係事実は主三重と複数の副属性値記述から構成され、三重グラフよりも包括的で特異であると考えられている。 しかし、既存のハイパーリレーショナルkg埋め込みメソッドは、エンティティ間の親和性を表す階層構造を弱めるため、アプリケーションで制限されている。 エンティティのハイパーリレーショナルなインスタンスビューと、エンティティから階層的に抽象化され、ハイパーリレーショナルで階層的な情報を共同モデル化する概念のハイパーリレーショナルオントロジービューを含む、デュアルビューハイパーリレーショナルkg(dh-kg)構造を提案する。 本稿では、まずDH-KG上でリンク予測とエンティティ型付けタスクを定義し、医療データに基づいてWikidataとHTDMから抽出した2つのDH-KGデータセットJW44K-6Kを構築する。 さらに,GRANエンコーダ,HGNN,共同学習に基づくDH-KG埋め込みモデルDHGEを提案する。 実験の結果,DHGEはDH-KGのベースラインモデルより優れていた。 高血圧治療分野におけるこの技術の応用例も紹介する。 私たちのモデルとデータセットは公開されています。

関連論文リスト

• UniHR: Hierarchical Representation Learning for Unified Knowledge Graph Link Prediction [41.46369433488762]
  統一知識グラフリンク予測のための階層表現学習フレームワーク(UniHR)を提案する。 階層型データ表現(HiDR)モジュールと,グラフエンコーダとしての階層型構造学習(HiSL)モジュールで構成される。 我々は,1種類のKGをベースラインとして設計したUniHRよりも優れた性能を示し,HiDR形式の強力な一般化能力とHiSLモジュールの有効性を示した。
  論文  参考訳（メタデータ） (2024-11-11T14:22:42Z)
• Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling [33.04380466268661]
  3次元知識グラフ(KG)を一般化するハイパーリレーショナル知識グラフ(HKG)が近年注目されている。 HKGをモデル化するために、既存の研究は主に意味情報または構造情報に焦点を当てている。 本稿では、TransEQと呼ばれるHKGモデリングの等価変換を提案する。
  論文  参考訳（メタデータ） (2024-11-09T14:16:41Z)
• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• HyperFormer: Enhancing Entity and Relation Interaction for Hyper-Relational Knowledge Graph Completion [25.399684403558553]
  ハイパーリレーショナル知識グラフ(HKG)は、属性値の等式をトリプルに関連付けることによって、標準的な知識グラフを拡張する。 本稿では,三重項の実体,関係,等化子の内容をエンコードする局所レベルシーケンシャル情報を考慮したモデルであるHyperFormerを提案する。
  論文  参考訳（メタデータ） (2023-08-12T09:31:43Z)
• HAHE: Hierarchical Attention for Hyper-Relational Knowledge Graphs in Global and Local Level [7.96433065992062]
  ハイパーリレーショナル知識グラフ(HKG)のリンク予測は、価値のある取り組みである。 本稿では,HKG 埋め込み (HAHE) のための階層型アテンションモデルを提案する。 実験結果から,HAHEはHKG標準データセット上のリンク予測タスクにおいて,最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2023-05-11T05:59:31Z)
• 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)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
  知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
  論文  参考訳（メタデータ） (2021-10-28T07:16:08Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Message Passing for Hyper-Relational Knowledge Graphs [7.733963597282456]
  本稿では,このようなハイパーリレーショナルな知識グラフをモデル化可能なメッセージパッシンググラフエンコーダであるStarEを提案する。 StarEは、任意の数の付加情報(修飾子)を主三重項と共に符号化し、修飾子と三重項の意味的役割をそのまま保持することができる。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-22T22:38:54Z)
• 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。