論文の概要: Friendly Neighbors: Contextualized Sequence-to-Sequence Link Prediction

• arxiv url: http://arxiv.org/abs/2305.13059v2
• Date: Wed, 31 May 2023 10:11:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 02:09:56.876295
• Title: Friendly Neighbors: Contextualized Sequence-to-Sequence Link Prediction
• Title（参考訳）: フレンドリーな隣人:コンテキスト化されたシーケンス間リンク予測
• Authors: Adrian Kochsiek, Apoorv Saxena, Inderjeet Nair, Rainer Gemulla
• Abstract要約: 我々は知識グラフ(KG)におけるリンク予測(LP)のための単純なシーケンス・ツー・シーケンス・モデルであるKGT5-contextを提案する。 優れた予測性能を得るために、KGT5は知識グラフ埋め込みモデルとのアンサンブルに依存している。 クエリエンティティの直接近傍に関するコンテキスト情報を追加することで、優れたパフォーマンスを得るためには、別のKGEモデルの必要性が軽減されることを実証的に示す。
• 参考スコア（独自算出の注目度）: 7.302611823896431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose KGT5-context, a simple sequence-to-sequence model for link prediction (LP) in knowledge graphs (KG). Our work expands on KGT5, a recent LP model that exploits textual features of the KG, has small model size, and is scalable. To reach good predictive performance, however, KGT5 relies on an ensemble with a knowledge graph embedding model, which itself is excessively large and costly to use. In this short paper, we show empirically that adding contextual information - i.e., information about the direct neighborhood of the query entity - alleviates the need for a separate KGE model to obtain good performance. The resulting KGT5-context model is simple, reduces model size significantly, and obtains state-of-the-art performance in our experimental study.
• Abstract（参考訳）: 我々は知識グラフ(KG)におけるリンク予測(LP)のための単純なシーケンス・ツー・シーケンス・モデルであるKGT5-contextを提案する。 我々の研究は、KGのテキスト機能を利用した最近のLPモデルであるKGT5を拡張し、小さなモデルサイズを持ち、スケーラブルである。 しかし、優れた予測性能を得るためには、KGT5は知識グラフ埋め込みモデルとのアンサンブルに依存している。 本稿では,クエリエンティティの直接近傍に関する情報などコンテキスト情報を追加することで,KGEモデルを分離して優れた性能を得る必要がなくなることを実証的に示す。 得られたKGT5-contextモデルは非常にシンプルで,モデルサイズを大幅に削減し,本実験では最先端の性能を得る。

関連論文リスト

• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Better Together: Enhancing Generative Knowledge Graph Completion with Language Models and Neighborhood Information [5.5577202588167625]
  実世界の知識グラフ(KG)は、しばしば不完全性に悩まされ、潜在的な性能が制限される。 従来の知識グラフ補完法(KGC)は、大規模KGに対して計算集約的で実用的ではない。 我々は,言語モデルに基づくKGC手法を改善するために,ノード近傍を付加情報として含めることを提案する。
  論文  参考訳（メタデータ） (2023-11-02T15:38:39Z)
• AMR Parsing with Causal Hierarchical Attention and Pointers [54.382865897298046]
  因果的階層的注意とポインタ機構を備えた新しいAMR解析と新しいモデルCHAPを導入する。 実験の結果, 5つのベンチマークのうち4つのベースラインモデルでは, 追加データがない場合に, ベースラインモデルよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T13:44:26Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Improving Few-Shot Inductive Learning on Temporal Knowledge Graphs using Confidence-Augmented Reinforcement Learning [24.338098716004485]
  TKGCは、時間的knwoledge graph(TKG)におけるエンティティ間の欠落リンクを予測することを目的としている。 近年,TKG数発アウトオブグラフ(OOG)リンク予測という新たなタスクが提案されている。 本稿では,この課題を解決するために,少数ショット学習と強化学習を組み合わせたTKGC法FITCARLを提案する。
  論文  参考訳（メタデータ） (2023-04-02T20:05:20Z)
• GreenKGC: A Lightweight Knowledge Graph Completion Method [32.528770408502396]
  GreenKGCは、知識グラフ内のエンティティ間の欠落した関係を見つけることを目的としている。 表現学習、特徴抽出、決定学習の3つのモジュールで構成されている。 低次元では、GreenKGCはほとんどのデータセットでSOTAメソッドより優れている。
  論文  参考訳（メタデータ） (2022-08-19T03:33:45Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Sequence-to-Sequence Knowledge Graph Completion and Question Answering [8.207403859762044]
  既製のエンコーダ・デコーダ変換器モデルは,スケーラブルで汎用的なKGEモデルとして機能することを示す。 我々は,KGリンク予測をシーケンス・ツー・シーケンス・タスクとして用い,従来のKGE手法による3つのスコアリングアプローチを自己回帰復号化と交換することで,これを実現する。
  論文  参考訳（メタデータ） (2022-03-19T13:01:49Z)
• Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
  グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。 本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。 本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-08T11:36:18Z)

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。