論文の概要: Discover Important Paths in the Knowledge Graph Based on Dynamic
Relation Confidence
- arxiv url: http://arxiv.org/abs/2211.00914v1
- Date: Wed, 2 Nov 2022 06:37:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 12:25:27.411571
- Title: Discover Important Paths in the Knowledge Graph Based on Dynamic
Relation Confidence
- Title(参考訳): 動的関係信頼度に基づく知識グラフの重要な経路の発見
- Authors: Shanqing Yu, Yijun Wu, Ran Gan, Jiajun Zhou, Ziwan Zheng, Qi Xuan
- Abstract要約: 経路特徴に基づく推論法は知識グラフ推論の分野で広く用いられている。
本稿では,動的関係信頼度と他の指標を組み合わせたDCパス法を提案する。
- 参考スコア(独自算出の注目度): 2.6032596415721945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of the existing knowledge graphs are not usually complete and can be
complemented by some reasoning algorithms. The reasoning method based on path
features is widely used in the field of knowledge graph reasoning and
completion on account of that its have strong interpretability. However,
reasoning methods based on path features still have several problems in the
following aspects: Path search isinefficient, insufficient paths for sparse
tasks and some paths are not helpful for reasoning tasks. In order to solve the
above problems, this paper proposes a method called DC-Path that combines
dynamic relation confidence and other indicators to evaluate path features, and
then guide path search, finally conduct relation reasoning. Experimental result
show that compared with the existing relation reasoning algorithm, this method
can select the most representative features in the current reasoning task from
the knowledge graph and achieve better performance on the current relation
reasoning task.
- Abstract(参考訳): 既存の知識グラフのほとんどは通常完全ではなく、いくつかの推論アルゴリズムによって補うことができる。
経路特徴に基づく推論法は知識グラフ推論の分野において広く用いられており、その解釈性が強いことを踏まえて完成している。
しかし, 経路特徴に基づく推論手法には, 経路探索の非効率性, スパースタスクの不十分な経路, 推論タスクの役に立たない経路など, いくつかの問題がある。
そこで本研究では, 動的関係信頼度と他の指標を組み合わせて経路特徴を評価し, 経路探索をガイドし, 最終的に関係推論を行うdc-path法を提案する。
実験の結果,既存の関係推論アルゴリズムと比較して,知識グラフから現在の関係推論タスクにおいて最も代表的な特徴を選択し,現在の関係推論タスクの性能を向上させることができることがわかった。
関連論文リスト
- Understanding the Reasoning Ability of Language Models From the
Perspective of Reasoning Paths Aggregation [117.32019595678771]
我々は、LMを、事前学習時に見られる間接的推論経路を集約することで、新たな結論を導出すると考えている。
我々は、推論経路を知識/推論グラフ上のランダムウォークパスとして定式化する。
複数のKGおよびMWPデータセットの実験と分析により、ランダムウォークパスに対するトレーニングの効果が明らかにされた。
論文 参考訳(メタデータ) (2024-02-05T18:25:51Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - PathFinder: Guided Search over Multi-Step Reasoning Paths [80.56102301441899]
木探索に基づく推論経路生成手法であるPathFinderを提案する。
動的デコードの統合により、多様な分岐とマルチホップ推論を強化する。
我々のモデルは、大きな分岐因子を持つビームサーチに類似した複雑さを反映して、よく、長く、目に見えない推論連鎖を一般化する。
論文 参考訳(メタデータ) (2023-12-08T17:05:47Z) - A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs [19.873384058276713]
A*Netは知識グラフ推論のためのスケーラブルなパスベースの手法である。
最短繰り返しパス問題に対するA*アルゴリズムにインスパイアされた我々のA*Netは、それぞれに重要なノードとエッジを選択する優先度関数を学習する。
論文 参考訳(メタデータ) (2022-06-07T01:01:36Z) - MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。
2つの新しい戦略が我々の手法の必須要素である。
論文 参考訳(メタデータ) (2022-03-01T11:13:00Z) - Graph Collaborative Reasoning [18.45161138837384]
グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。
そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。
本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
論文 参考訳(メタデータ) (2021-12-27T14:27:58Z) - Learning to Walk with Dual Agents for Knowledge Graph Reasoning [20.232810842082674]
マルチホップ推論アプローチは、短い推論パスでのみうまく機能し、パスの長さが増加するとターゲットエンティティを見逃しがちである。
そこで我々は,2つのエージェント(GIANTとDWARF)が共同でKGの上を歩き,協調して回答を検索するように訓練する,二重エージェント強化学習フレームワークを提案する。
提案手法は,クラスタレベルの経路を素早く探索するエージェント(GIANT)の1つを割り当て,別のエージェント(DWARF)にステージワイドヒントを提供することによって,長い経路における推論課題に対処する。
論文 参考訳(メタデータ) (2021-12-23T23:03:24Z) - Path-Enhanced Multi-Relational Question Answering with Knowledge Graph
Embeddings [16.21156041758793]
PKEEQA(Path and Knowledge Embedding-Enhanced Multi-Relational Question Answering Model)を提案する。
PKEEQAは多関係質問に対するKBQAモデルの性能を、経路からある程度派生した説明可能性で改善することを示す。
論文 参考訳(メタデータ) (2021-10-29T08:37:46Z) - KompaRe: A Knowledge Graph Comparative Reasoning System [85.72488258453926]
本稿では,複数の手がかりに対する共通点と矛盾点の推測を目的とした知識グラフの比較推論を提案する。
我々は,大規模な知識グラフに対して比較推論機能を提供する,最初のプロトタイプシステムであるKompaReを開発した。
論文 参考訳(メタデータ) (2020-11-06T04:57:37Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳(メタデータ) (2020-10-06T10:24:45Z)
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。