論文の概要: NNKGC: Improving Knowledge Graph Completion with Node Neighborhoods

• arxiv url: http://arxiv.org/abs/2302.06132v2
• Date: Wed, 6 Sep 2023 04:53:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 19:48:11.204672
• Title: NNKGC: Improving Knowledge Graph Completion with Node Neighborhoods
• Title（参考訳）: NNKGC:Node Neighborhoodsによる知識グラフ補完の改善
• Authors: Irene Li and Boming Yang
• Abstract要約: 本稿では,知識グラフ補完のためのノード近傍強化フレームワークを提案する。 グラフニューラルネットワークを使用して、複数のホップからヘッドエンティティ地区をモデル化する。 また、KGCを改善するためのエッジリンク予測タスクも導入する。
• 参考スコア（独自算出の注目度）: 9.018964211609259
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Knowledge graph completion (KGC) aims to discover missing relations of query entities. Current text-based models utilize the entity name and description to infer the tail entity given the head entity and a certain relation. Existing approaches also consider the neighborhood of the head entity. However, these methods tend to model the neighborhood using a flat structure and are only restricted to 1-hop neighbors. In this work, we propose a node neighborhood-enhanced framework for knowledge graph completion. It models the head entity neighborhood from multiple hops using graph neural networks to enrich the head node information. Moreover, we introduce an additional edge link prediction task to improve KGC. Evaluation on two public datasets shows that this framework is simple yet effective. The case study also shows that the model is able to predict explainable predictions.
• Abstract（参考訳）: 知識グラフ補完(KGC)は、クエリエンティティの欠落した関係を見つけることを目的としている。 現在のテキストベースのモデルは、エンティティ名と記述を使用して、ヘッダエンティティと特定の関係が与えられたテールエンティティを推論する。 既存のアプローチでは、ヘッドエンティティの近傍も考慮している。 しかしながら、これらの手法は平坦な構造を用いて近隣をモデル化する傾向があり、1ホップの隣人に限られる。 本稿では,知識グラフ補完のためのノード近傍拡張フレームワークを提案する。 ニューラルネットワークを用いて複数のホップからヘッドエンティティ近傍をモデル化し、ヘッドノード情報を豊かにする。 さらに,kgcを改善するために追加のエッジリンク予測タスクを導入する。 2つの公開データセットの評価は、このフレームワークが単純かつ効果的であることを示している。 ケーススタディでは、モデルが説明可能な予測を予測できることも示されている。

関連論文リスト

• Boosting Graph Foundation Model from Structural Perspective [6.387816922598151]
  構造の観点からグラフ基盤モデルを強化し,BooGを提案する。 BooGは仮想スーパーノードを構築し、異なるドメインからのグラフデータの構造的特性を統合する。 また,グラフデータに対してより表現力のある表現を学習するコントラスト学習に基づく,新しい事前学習目標を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:22:16Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• Reasoning Through Memorization: Nearest Neighbor Knowledge Graph Embeddings [29.94706167233985]
  kNN-KGEは、事前訓練された言語モデルを用いた新しい知識グラフ埋め込みアプローチである。 我々は、知識ストアからのエンティティ埋め込み空間内の距離に基づいて、最も近い隣人を計算する。
  論文  参考訳（メタデータ） (2022-01-14T17:35:16Z)
• Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern for Knowledge Graph Embedding [13.17623081024394]
  知識グラフにおけるそのような意味現象を近接パターンと呼ぶ。 元の知識グラフを用いて、我々は2つのパターンを深くマージするために、連鎖したcouPle-GNNアーキテクチャを設計する。 FB15k-237とWN18RRデータセットで評価され、CP-GNNは知識グラフ補完タスクの最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-02T03:50:42Z)
• Node Co-occurrence based Graph Neural Networks for Knowledge Graph Link Prediction [13.934907240846197]
  NoKEは、知識グラフ補完を改善するために、エンティティ間の共起と関係をグラフニューラルネットワークに統合することを目的としている。 NoKEは、知識グラフ補完のための3つの新しい、挑戦的で困難なベンチマークデータセットCoDExに関する最新の結果を取得します。
  論文  参考訳（メタデータ） (2021-04-15T11:51:52Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。