Fugu-MT 論文翻訳(概要): Generalizing to Unseen Elements: A Survey on Knowledge Extrapolation for Knowledge Graphs

論文の概要: Generalizing to Unseen Elements: A Survey on Knowledge Extrapolation for Knowledge Graphs

arxiv url: http://arxiv.org/abs/2302.01859v1
Date: Fri, 3 Feb 2023 17:05:59 GMT
ステータス: 翻訳完了
システム内更新日: 2023-02-06 15:34:59.402946
Title: Generalizing to Unseen Elements: A Survey on Knowledge Extrapolation for Knowledge Graphs
Title（参考訳）: 未知要素への一般化:知識グラフの知識外挿に関する調査
Authors: Mingyang Chen, Wen Zhang, Yuxia Geng, Zezhong Xu, Jeff Z. Pan, Huajun Chen
Abstract要約: 従来のKGEメソッドでは、モデルテスト中に目に見えないエンティティやリレーションを扱うのはまだ難しいです。一般用語の集合を用いてこれらの手法を統一し、それらを知識外挿と呼ぶ。
参考スコア（独自算出の注目度）: 27.719470194565204
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge graphs (KGs) have become effective knowledge resources in diverse applications, and knowledge graph embedding (KGE) methods have attracted increasing attention in recent years. However, it's still challenging for conventional KGE methods to handle unseen entities or relations during the model test. Much effort has been made in various fields of KGs to address this problem. In this paper, we use a set of general terminologies to unify these methods and refer to them as Knowledge Extrapolation. We comprehensively summarize these methods classified by our proposed taxonomy and describe their correlations. Next, we introduce the benchmarks and provide comparisons of these methods from aspects that are not reflected by the taxonomy. Finally, we suggest some potential directions for future research.
Abstract（参考訳）: 知識グラフ(KG)は多様なアプリケーションにおいて有効な知識資源となり、知識グラフ埋め込み(KGE)手法が近年注目されている。しかしながら、従来のKGEメソッドがモデルテスト中に見えないエンティティやリレーションを処理することは依然として難しい。この問題に対処するために、様々な分野のkgsで多くの努力がなされている。本稿では,これらの手法を統一し,知識補間と呼ぶための一般用語の組を用いる。提案する分類法を包括的に要約し,それらの相関について述べる。次に,分類学に反映されない側面から,これらの手法の比較を行った。最後に,今後の研究の方向性を提案する。

関連論文リスト

Comprehending Knowledge Graphs with Large Language Models for Recommender Systems [13.270018897057293]
知識グラフを改善するために,CoLaKGと呼ばれる新しい手法を提案する。項目中心のサブグラフ抽出とプロンプトエンジニアリングを用いることで、ローカル情報を正確に理解することができる。さらに、意味に基づく検索モジュールを通じて、各項目は知識グラフ全体の関連項目によって濃縮される。
論文参考訳（メタデータ） (2024-10-16T04:44:34Z)
A Survey on Extractive Knowledge Graph Summarization: Applications, Approaches, Evaluation, and Future Directions [9.668678976640022]
抽出KG要約は、凝縮した情報でコンパクトな部分グラフを蒸留することを目的としている。本稿では,その応用を体系的に概説し,学際的な研究から既存の方法の分類を定めている。今後の方向性は、我々の広範囲かつ比較的なレビューに基づいて策定されます。
論文参考訳（メタデータ） (2024-02-19T09:49:53Z)
A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects [73.44022660932087]
時間的特性は、かなりの量の知識で顕著に明らかである。新たな知識の継続的な出現、構造化されていないデータから構造化された情報を抽出するアルゴリズムの弱点、ソースデータセットにおける情報の欠如を引用する。 TKGC(Temporal Knowledge Graph Completion)のタスクは、利用可能な情報に基づいて行方不明アイテムを予測することを目的として、注目を集めている。
論文参考訳（メタデータ） (2023-08-04T16:49:54Z)
Text-To-KG Alignment: Comparing Current Methods on Classification Tasks [2.191505742658975]
知識グラフ(KG)は、事実情報の密集した構造化された表現を提供する。最近の研究は、追加のコンテキストとしてKGから情報を取得するパイプラインモデルの作成に重点を置いている。現在のメソッドが、アライメントされたサブグラフがクエリに完全に関連しているシナリオとどのように比較されているかは分かっていない。
論文参考訳（メタデータ） (2023-06-05T13:45:45Z)
Embedding Knowledge for Document Summarization: A Survey [66.76415502727802]
従来の研究は、知識を組み込んだ文書要約器が優れた消化器を生成するのに優れていたことを証明した。本稿では,文書要約ビューに基づいて,知識と知識の埋め込みを再カプセル化する手法を提案する。
論文参考訳（メタデータ） (2022-04-24T04:36:07Z)
Knowledge Graph Embedding Methods for Entity Alignment: An Experimental Review [7.241438112282638]
我々は、エンティティアライメントのための一般的な埋め込み手法の最初のメタレベル解析を行う。 KGsにより抽出された様々なメタ機能と異なる埋め込み手法の統計的に有意な相関関係が明らかとなった。テストベッドの全現実世界のKGで有効性に応じて統計的に有意なランク付けを行う。
論文参考訳（メタデータ） (2022-03-17T12:11:58Z)
Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文参考訳（メタデータ） (2022-01-21T09:01:12Z)
All About Knowledge Graphs for Actions [82.39684757372075]
ゼロショットと少数ショットのアクション認識に使用できる知識グラフ(KG)の理解を深める。 KGsの3つの異なる構成機構について検討した。異なる実験装置に対する異なるKGの影響を広範囲に解析する。
論文参考訳（メタデータ） (2020-08-28T01:44:01Z)
Entity Type Prediction in Knowledge Graphs using Embeddings [2.7528170226206443]
オープンナレッジグラフ(DBpedia、Wikidata、YAGOなど)は、データマイニングと情報検索の分野における多様なアプリケーションのバックボーンとして認識されている。これらのKGのほとんどは、スナップショットからの自動情報抽出またはユーザーが提供する情報蓄積によって作成されるか、ウィキペディアを用いて作成される。これらのKGの型情報は、しばしばうるさい、不完全、不正確である。 KG埋め込みを用いたエンティティタイピングのためのマルチラベル分類手法を提案する。
論文参考訳（メタデータ） (2020-04-28T17:57:08Z)
Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文参考訳（メタデータ） (2020-03-25T22:53:14Z)
Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。