Fugu-MT 論文翻訳(概要): Learning Representations of Bi-Level Knowledge Graphs for Reasoning beyond Link Prediction

論文の概要: Learning Representations of Bi-Level Knowledge Graphs for Reasoning beyond Link Prediction

arxiv url: http://arxiv.org/abs/2302.02601v1
Date: Mon, 6 Feb 2023 07:45:57 GMT
ステータス: 処理完了
システム内更新日: 2023-02-07 17:23:17.690916
Title: Learning Representations of Bi-Level Knowledge Graphs for Reasoning beyond Link Prediction
Title（参考訳）: リンク予測を超えた推論のための二レベル知識グラフの学習表現
Authors: Chanyoung Chung and Joyce Jiyoung Whang
Abstract要約: 知識グラフは三つ子を使った既知の事実を表す。 BiVEは三つ子の構造を考慮して埋め込みを学ぶ。 3重項予測と条件付きリンク予測の2つの新しいタスク。
参考スコア（独自算出の注目度）: 6.396288020763144
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge graphs represent known facts using triplets. While existing knowledge graph embedding methods only consider the connections between entities, we propose considering the relationships between triplets. For example, let us consider two triplets $T_1$ and $T_2$ where $T_1$ is (Academy_Awards, Nominates, Avatar) and $T_2$ is (Avatar, Wins, Academy_Awards). Given these two base-level triplets, we see that $T_1$ is a prerequisite for $T_2$. In this paper, we define a higher-level triplet to represent a relationship between triplets, e.g., $\langle T_1$, PrerequisiteFor, $T_2\rangle$ where PrerequisiteFor is a higher-level relation. We define a bi-level knowledge graph that consists of the base-level and the higher-level triplets. We also propose a data augmentation strategy based on the random walks on the bi-level knowledge graph to augment plausible triplets. Our model called BiVE learns embeddings by taking into account the structures of the base-level and the higher-level triplets, with additional consideration of the augmented triplets. We propose two new tasks: triplet prediction and conditional link prediction. Given a triplet $T_1$ and a higher-level relation, the triplet prediction predicts a triplet that is likely to be connected to $T_1$ by the higher-level relation, e.g., $\langle T_1$, PrerequisiteFor, ?$\rangle$. The conditional link prediction predicts a missing entity in a triplet conditioned on another triplet, e.g., $\langle T_1$, PrerequisiteFor, (Avatar, Wins, ?)$\rangle$. Experimental results show that BiVE significantly outperforms all other methods in the two new tasks and the typical base-level link prediction in real-world bi-level knowledge graphs.
Abstract（参考訳）: 知識グラフは三重項を用いて既知の事実を表す。既存の知識グラフ埋め込み手法はエンティティ間の接続のみを考慮しているが、三重項間の関係を考える。例えば、$T_1$と$T_2$で、$T_1$は(Academy_Awards, Nominates, Avatar)と$T_2$は(Avatar, Wins, Academy_Awards)である。この2つのベースレベル三重項を考えると、$t_1$は$t_2$の前提条件である。本稿では,三重項間の関係を表す高次三重項を定義する。例えば,$\langle T_1$,PrerequisiteFor,$T_2\rangle$,PrerequisiteForは高次関係である。基本レベルと高レベル三重項からなる二段階知識グラフを定義する。また,二段階知識グラフのランダムウォークに基づくデータ拡張戦略を提案し,有意な三重項を増大させる。我々のモデルであるBiVEは、ベースレベルと高レベル三重項の構造を考慮し、付加三重項を考慮に入れて埋め込みを学習する。 3重項予測と条件付きリンク予測という2つの新しいタスクを提案する。三重項 $t_1$ と高次関係を考えると、三重項予測は、高次関係によって$t_1$ と接続される可能性が高い三重項、例えば $\langle t_1$, prerequisitefor, ? を予測する。略称は$。例えば、$\langle T_1$, PrerequisiteFor, (Avatar, Wins, ?)$\rangle$などである。実験の結果,biveは実世界のbiレベル知識グラフにおいて,2つの新しいタスクにおける他の手法,および典型的なベースレベルリンク予測を大きく上回っていることがわかった。

関連論文リスト

Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation [51.47994645529258]
Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
論文参考訳（メタデータ） (2024-06-19T21:40:35Z)
Embedding Knowledge Graphs in Degenerate Clifford Algebras [1.90894751866253]
知識グラフ埋め込みの文脈において、Cl_p,q$という形のクリフォード代数を研究する。パラメータの発見には$p$,$q$,$r$の2つの新しいモデルを設計する。 7つのベンチマークデータセットによる評価結果から, 零ベクトルが埋め込みの捕集に有効であることが示唆された。
論文参考訳（メタデータ） (2024-02-06T11:23:33Z)
Exploiting Duality in Open Information Extraction with Predicate Prompt [44.0846982375855]
文から三つ子を抽出すると同時に2つのタスクを同時に達成する新しい生成型OpenIEモデル,すなわちemphDualOIEを提案する。具体的には、DualOIEは、2つのステップで三つ子を抽出する: 1) 最初はすべての潜在的な述語列を抽出し、2) 述語列を三つ子の生成を誘導するプロンプトとして使用する。 We experiment on two benchmarks and our dataset constructed from Meituan showed that DualOIE achieved the best performance of the State-of-the-art baselines。
論文参考訳（メタデータ） (2024-01-20T03:55:17Z)
NestE: Modeling Nested Relational Structures for Knowledge Graph Reasoning [80.27794055245444]
我々は、原子とネストされた事実知識の両方の意味をキャプチャする新しいKG埋め込みアプローチであるNestEを紹介する。 NestEは、ネストした事実に対する多様な論理パターンをキャプチャし、一階述語論理のような表現を超越する。実験結果から,NestEは三重予測と条件付きリンク予測において,現在のベースラインよりも顕著な性能向上を示した。
論文参考訳（メタデータ） (2023-12-14T18:49:30Z)
Representation Learning on Hyper-Relational and Numeric Knowledge Graphs with Transformers [14.240639250451736]
ハイパーリレーショナル知識グラフ(英語版)が最近研究され、三重項が一組の等化子と関連付けられている。我々はHyNTという名前の統一フレームワークを提案し、三重項または等化子に数値リテラルを含むハイパーリレーショナル知識グラフの表現を学習する。
論文参考訳（メタデータ） (2023-05-29T17:23:31Z)
HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。重要な洞察は、単語ペア間の複雑な関連を活用することである。実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
論文参考訳（メタデータ） (2023-05-07T14:57:42Z)
On the Stability and Generalization of Triplet Learning [55.75784102837832]
トリプルトラーニング(トリプルトラーニング)、すなわちトリプルトデータから学ぶことは、コンピュータビジョンタスクに大きな注目を集めている。本稿では,安定解析を利用した三重項学習の一般化保証について検討する。
論文参考訳（メタデータ） (2023-02-20T07:32:50Z)
Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion [25.905974480733562]
数ショットのKG完了のための階層的関係学習法(HiRe)を提案する。 3つのレベルの関係情報を共同で取得することで、HiReは、少数の関係のメタ表現を効果的に学習し、洗練することができる。 2つのベンチマークデータセットの実験は、HiReの他の最先端メソッドに対する優位性を検証する。
論文参考訳（メタデータ） (2022-09-02T17:57:03Z)
Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
論文参考訳（メタデータ） (2022-08-22T14:07:08Z)
Learning Graph Partitions [2.3224617218247126]
グラフの連結成分への分割が与えられたとき、会員オラクルはグラフの任意の2つの頂点が同じ成分に含まれるか否かを主張する。我々は$nge kge 2$の場合、$k$コンポーネントで$n$-vertex隠れグラフのコンポーネントを学ぶには、少なくとも$frac12(n-k)(k-1)$メンバシップクエリが必要であることを証明している。
論文参考訳（メタデータ） (2021-12-15T05:28:45Z)
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)

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。