論文の概要: HiSMatch: Historical Structure Matching based Temporal Knowledge Graph
Reasoning
- arxiv url: http://arxiv.org/abs/2210.09708v1
- Date: Tue, 18 Oct 2022 09:39:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 14:49:01.307572
- Title: HiSMatch: Historical Structure Matching based Temporal Knowledge Graph
Reasoning
- Title(参考訳): HiSMatch: 歴史的構造マッチングに基づく時間的知識グラフ推論
- Authors: Zixuan Li, Zhongni Hou, Saiping Guan, Xiaolong Jin, Weihua Peng, Long
Bai, Yajuan Lyu, Wei Li, Jiafeng Guo, Xueqi Cheng
- Abstract要約: 本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。
クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。
6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
- 参考スコア(独自算出の注目度): 59.38797474903334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A Temporal Knowledge Graph (TKG) is a sequence of KGs with respective
timestamps, which adopts quadruples in the form of (\emph{subject},
\emph{relation}, \emph{object}, \emph{timestamp}) to describe dynamic facts.
TKG reasoning has facilitated many real-world applications via answering such
queries as (\emph{query entity}, \emph{query relation}, \emph{?}, \emph{future
timestamp}) about future. This is actually a matching task between a query and
candidate entities based on their historical structures, which reflect
behavioral trends of the entities at different timestamps. In addition, recent
KGs provide background knowledge of all the entities, which is also helpful for
the matching. Thus, in this paper, we propose the \textbf{Hi}storical
\textbf{S}tructure \textbf{Match}ing (\textbf{HiSMatch}) model. It applies two
structure encoders to capture the semantic information contained in the
historical structures of the query and candidate entities. Besides, it adopts
another encoder to integrate the background knowledge into the model. TKG
reasoning experiments on six benchmark datasets demonstrate the significant
improvement of the proposed HiSMatch model, with up to 5.6\% performance
improvement in MRR, compared to the state-of-the-art baselines.
- Abstract(参考訳): テンポラル知識グラフ (TKG) は、動的事実を記述するために (\emph{subject}, \emph{relation}, \emph{object}, \emph{timestamp}) という形の四重項を用いる、それぞれのタイムスタンプを持つKGの列である。
TKG推論は (\emph{query entity}, \emph{query relation}, \emph{?
未来についてのemph{future timestamp})。
これは実際には、クエリと候補エンティティの履歴構造に基づくマッチングタスクであり、異なるタイムスタンプにおけるエンティティの振る舞いの傾向を反映している。
さらに、最近のkgはすべてのエンティティのバックグラウンド知識を提供しており、マッチングにも役立ちます。
そこで本稿では, {\displaystyle \textbf{Hi}storical \textbf{S}tructure \textbf{Match}ing (\textbf{HiSMatch}) モデルを提案する。
クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。
さらに、モデルに背景知識を統合するために、別のエンコーダを採用する。
6つのベンチマークデータセットでのTKG推論実験は、提案されたHiSMatchモデルの大幅な改善を示し、最先端のベースラインと比較して最大5.6倍の性能改善が達成された。
関連論文リスト
- Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。
LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。
また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
論文 参考訳(メタデータ) (2023-12-04T08:23:09Z) - Once Upon a $\textit{Time}$ in $\textit{Graph}$: Relative-Time
Pretraining for Complex Temporal Reasoning [96.03608822291136]
我々は時間の性質を生かし、時間軸に沿った事象の相対的な配置に基づくグラフ構造の構築を提案する。
グラフビューにインスパイアされたRemeMoを提案する。これは2つの文間の時間関係をモデル化することによって、時間的に観察されたすべての事実を明示的に接続する。
実験の結果、RemeMoは複数の時間的質問応答データセット上でベースラインT5よりも優れていた。
論文 参考訳(メタデータ) (2023-10-23T08:49:00Z) - More than Classification: A Unified Framework for Event Temporal
Relation Extraction [61.44799147458621]
イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。
イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。
本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-28T02:09:08Z) - Adaptive Path-Memory Network for Temporal Knowledge Graph Reasoning [25.84105067110878]
時間的知識グラフ(TKG)推論は、過去の情報に基づいて将来の行方不明事実を予測することを目的としている。
我々は,TKGの関係性,すなわち aDAptivE path-MemOry Network (DaeMon) を用いた新しいアーキテクチャモデリングを提案する。
DaeMonは、クエリ対象と各オブジェクト候補の間の時間パス情報を履歴時間にわたって適応的にモデル化する。
論文 参考訳(メタデータ) (2023-04-25T06:33:08Z) - Time-aware Multiway Adaptive Fusion Network for Temporal Knowledge Graph
Question Answering [10.170042914522778]
我々は,新しい textbf Time-aware textbfMultiway textbfAdaptive (textbfTMA) 融合ネットワークを提案する。
それぞれの質問に対して、TMAはまずKGから関連する概念を抽出し、それから多方向適応モジュールに供給する。
この表現は、最終的な予測を生成するために、事前訓練されたKG埋め込みに組み込むことができる。
論文 参考訳(メタデータ) (2023-02-24T09:29:40Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Semantic Structure based Query Graph Prediction for Question Answering
over Knowledge Graph [5.5332967798665305]
本稿では,自然言語質問からクエリグラフを生成することに焦点を当てる。
クエリグラフ生成のための既存のアプローチは、質問の意味構造を無視している。
本研究では,質問の意味的構造を予測する新しい構造BERTを提案する。
論文 参考訳(メタデータ) (2022-04-15T20:35:00Z) - Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。
我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。
本稿では,様々な要約データセットに対して提案手法の有効性を示す。
論文 参考訳(メタデータ) (2022-03-15T01:24:51Z) - Temporal Knowledge Graph Reasoning Based on Evolutional Representation
Learning [59.004025528223025]
将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。
TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。
グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
論文 参考訳(メタデータ) (2021-04-21T05:12:21Z)
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。