論文の概要: Expressive Reasoning Graph Store: A Unified Framework for Managing RDF and Property Graph Databases

• arxiv url: http://arxiv.org/abs/2209.05828v1
• Date: Tue, 13 Sep 2022 09:07:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 13:11:13.217584
• Title: Expressive Reasoning Graph Store: A Unified Framework for Managing RDF and Property Graph Databases
• Title（参考訳）: 表現的推論グラフストア:rdfとプロパティグラフデータベースを管理するための統一フレームワーク
• Authors: Sumit Neelam, Udit Sharma, Sumit Bhatia, Hima Karanam, Ankita Likhyani, Ibrahim Abdelaziz, Achille Fokoue, L.V. Subramaniam
• Abstract要約: ERGS(Expressive Reasoning Graph Store)について紹介する。 ERGSはJanusGraph上に構築されたグラフストアで、RDFデータセットの保存とクエリを可能にする。 本稿では、RDFデータをProperty Graph表現に変換し、SPARQLクエリを一連のGremlinに変換するクエリ変換モジュールを記述する。
• 参考スコア（独自算出の注目度）: 9.021529689292985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resource Description Framework (RDF) and Property Graph (PG) are the two most commonly used data models for representing, storing, and querying graph data. We present Expressive Reasoning Graph Store (ERGS) -- a graph store built on top of JanusGraph (a Property Graph store) that also allows storing and querying of RDF datasets. First, we describe how RDF data can be translated into a Property Graph representation and then describe a query translation module that converts SPARQL queries into a series of Gremlin traversals. The converters and translators thus developed can allow any Apache Tinkerpop compliant graph database to store and query RDF datasets. We demonstrate the effectiveness of our proposed approach using JanusGraph as the base Property Graph store and compare its performance with standard RDF systems.
• Abstract（参考訳）: Resource Description Framework(RDF)とProperty Graph(PG)は、グラフデータを表現、保存、クエリするために最もよく使われる2つのデータモデルである。 Expressive Reasoning Graph Store (ERGS) - JanusGraph(Property Graph Store)上に構築されたグラフストアで、RDFデータセットの保存とクエリを可能にする。 まず、rdfデータをプロパティグラフ表現に変換する方法を説明し、次にsparqlクエリを一連のgremlinトラバーサルに変換するクエリ変換モジュールを記述する。 このように開発されたコンバータとトランスレータは、Apache Tinkerpop準拠のグラフデータベースでRDFデータセットを保存およびクエリすることができる。 本稿では,基本プロパティグラフストアとしてJanusGraphを用いた提案手法の有効性を示し,その性能を標準RDFシステムと比較する。

関連論文リスト

• AutoRDF2GML: Facilitating RDF Integration in Graph Machine Learning [9.408189129889006]
  AutoRDF2GMLは、RDFデータをグラフ機械学習タスクに適したデータ表現に変換するように設計されたフレームワークである。 大規模RDF知識グラフから作成したグラフ機械学習のための新しいベンチマークデータセットを4つ提示する。
  論文  参考訳（メタデータ） (2024-07-26T13:44:06Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
  視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。 具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。 我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
  論文  参考訳（メタデータ） (2023-05-03T07:30:32Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• VGStore: A Multimodal Extension to SPARQL for Querying RDF Scene Graph [26.239835473804366]
  SPARQLは、セマンティックな類似性や空間的な関係など、暗黙のマルチモーダルな関係をほとんど探求しません。 RDFグラフデータベースに大規模なシーングラフデータセット、すなわちVisual Genomeを組み込むことで、この問題を最初に検討した。 提案したRDFストア型マルチモーダルシーングラフに基づいてSPARQLクエリを拡張した。
  論文  参考訳（メタデータ） (2022-09-07T08:05:00Z)
• Entity Type Prediction Leveraging Graph Walks and Entity Descriptions [4.147346416230273]
  textitGRANDは、RDF2vecの異なるグラフウォーク戦略とテキストエンティティ記述を利用したエンティティ型付けの新しいアプローチである。 提案手法は,細粒度クラスと粗粒度クラスの両方において,KGにおけるエンティティ型付けのためのベンチマークデータセットDBpediaとFIGERのベースラインアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-07-28T13:56:55Z)
• Structural Adapters in Pretrained Language Models for AMR-to-text Generation [59.50420985074769]
  グラフ構造データからのテキスト生成に関するこれまでの研究は、事前学習言語モデル(plm)に依存している。 グラフ構造をPLMにエンコードするアダプタ法であるStructAdaptを提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:06:50Z)
• DART: Open-Domain Structured Data Record to Text Generation [91.23798751437835]
  82k以上のインスタンス(DART)を持つオープンドメイン構造化DAta Record to Text生成データセットであるDARTを提案する。 本稿では,テーブルヘッダとテーブルタイトル間の意味的依存関係を利用して,その構造を符号化するテーブルから意味的三重項を抽出する手法を提案する。 我々のデータセット構築フレームワークは、オープンドメイン意味解析と対話行動に基づく意味表現タスクからヘテロジニアスソースを効果的に統合する。
  論文  参考訳（メタデータ） (2020-07-06T16:35:30Z)
• A Novel Approach for Generating SPARQL Queries from RDF Graphs [0.0]
  この研究は、研究マスターの論文プロジェクトの一部として行われている。 目標は、RDFグラフをクエリするために、ユーザが提供するキーワードに基づいてSPARQLクエリを生成することだ。
  論文  参考訳（メタデータ） (2020-05-30T18:28:49Z)
• RDFFrames: Knowledge Graph Access for Machine Learning Tools [6.50725902438059]
  ナレッジグラフのための機械学習ツールは、データベースシステムを使用することの明らかな利点にもかかわらず、SPARQLを使用しない。 これは、データモデルとプログラミングスタイルの点で、SPARQLと機械学習ツールのミスマッチのためです。 本稿では,機械学習ソフトウェアスタックからの知識グラフのインターフェースを提供するフレームワークであるRDFFramesを提案する。
  論文  参考訳（メタデータ） (2020-02-10T09:39:25Z)

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。