論文の概要: Farspredict: A benchmark dataset for link prediction

• arxiv url: http://arxiv.org/abs/2303.14647v1
• Date: Sun, 26 Mar 2023 07:41:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:18:40.360390
• Title: Farspredict: A benchmark dataset for link prediction
• Title（参考訳）: Farspredict: リンク予測のためのベンチマークデータセット
• Authors: Najmeh Torabian, Behrouz Minaei-Bidgoli and Mohsen Jahanshahi
• Abstract要約: 本稿ではFarsbaseに基づくペルシアの知識グラフ"Farspredict"を提案する。 また、知識グラフ構造がKGEのリンク予測精度にどのように影響するかを説明する。
• 参考スコア（独自算出の注目度）: 6.866104126509981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction with knowledge graph embedding (KGE) is a popular method for knowledge graph completion. Furthermore, training KGEs on non-English knowledge graph promote knowledge extraction and knowledge graph reasoning in the context of these languages. However, many challenges in non-English KGEs pose to learning a low-dimensional representation of a knowledge graph's entities and relations. This paper proposes "Farspredict" a Persian knowledge graph based on Farsbase (the most comprehensive knowledge graph in Persian). It also explains how the knowledge graph structure affects link prediction accuracy in KGE. To evaluate Farspredict, we implemented the popular models of KGE on it and compared the results with Freebase. Given the analysis results, some optimizations on the knowledge graph are carried out to improve its functionality in the KGE. As a result, a new Persian knowledge graph is achieved. Implementation results in the KGE models on Farspredict outperforming Freebases in many cases. At last, we discuss what improvements could be effective in enhancing the quality of Farspredict and how much it improves.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)によるリンク予測は知識グラフ補完の一般的な方法である。 さらに、非英語知識グラフの学習kgsは、これらの言語の文脈における知識抽出と知識グラフ推論を促進する。 しかし、非英語KGEにおける多くの課題は知識グラフの実体と関係の低次元表現を学習するのに役立つ。 本稿ではFarsbase(ペルシア語で最も包括的な知識グラフ)に基づくペルシアの知識グラフ「ファース予測」を提案する。 また、知識グラフ構造がKGEのリンク予測精度にどのように影響するかを説明する。 Farspredictを評価するために、KGEの一般的なモデルを実装し、結果をFreebaseと比較した。 解析結果から,知識グラフの最適化により,KGEの機能向上が図られている。 その結果、新たなペルシャ知識グラフが達成された。 Farspredict 上の KGE モデルの実装はフリーベースよりも優れていることが多い。 最後に,farspredictの品質向上に有効な改善点と,その改善点について論じる。

関連論文リスト

• Counterfactual Reasoning with Knowledge Graph Embeddings [3.6311338398148534]
  知識グラフ埋め込み (KGEs) は、本来は事実を推測するために開発されたが、未完成の知識リポジトリに欠けている事実を推測するために開発された。 本稿では,知識グラフの補完と,新たなタスクCFKGRによる反実的推論をリンクする。
  論文  参考訳（メタデータ） (2024-03-11T17:21:39Z)
• CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
  知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。 我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。 本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:25:39Z)
• Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
  グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。 本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
  論文  参考訳（メタデータ） (2023-04-06T01:09:36Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
  知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。 既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。 グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:17:40Z)
• KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph Convolutions for Recommendation [3.264007084815591]
  我々はKQGC(Knowledge Query-based Graph Convolution)と呼ばれるリコメンデータシステムのための新しいモデルを提案する。 KQGCは平滑化に焦点を当て、KGEを平滑化するために単純な線形グラフ畳み込みを利用する。 提案したKQGCを,特定の製品のユーザを対象としたレコメンデーションタスクに適用する。
  論文  参考訳（メタデータ） (2022-05-23T09:34:06Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations [94.41860307845812]
  Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。 GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。 グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。 我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
  論文  参考訳（メタデータ） (2022-01-04T15:49:18Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• How Does Knowledge Graph Embedding Extrapolate to Unseen Data: a Semantic Evidence View [13.575052133743505]
  我々は,知識グラフ埋め込み(KGE)が未知のデータにどのように当てはまるかを研究する。 また,セマンティック・エビデンス・アウェアメント・グラフニューラルネット(SE-GNN)と呼ばれる新しいGNNベースのKGEモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T08:17:02Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)

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。