論文の概要: Knowledge Graphs Querying
- arxiv url: http://arxiv.org/abs/2305.14485v1
- Date: Tue, 23 May 2023 19:32:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 23:46:25.192376
- Title: Knowledge Graphs Querying
- Title（参考訳）: 知識グラフクエリ
- Authors: Arijit Khan
- Abstract要約: 我々は、KGクエリのために開発された様々な学際的なトピックと概念を統一することを目的としている。
KGとクエリ埋め込み、マルチモーダルKG、KG-QAの最近の進歩は、ディープラーニング、IR、NLP、コンピュータビジョンドメインから来ている。
- 参考スコア（独自算出の注目度）: 4.548471481431569
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graphs (KGs) such as DBpedia, Freebase, YAGO, Wikidata, and NELL
were constructed to store large-scale, real-world facts as (subject, predicate,
object) triples -- that can also be modeled as a graph, where a node (a subject
or an object) represents an entity with attributes, and a directed edge (a
predicate) is a relationship between two entities. Querying KGs is critical in
web search, question answering (QA), semantic search, personal assistants, fact
checking, and recommendation. While significant progress has been made on KG
construction and curation, thanks to deep learning recently we have seen a
surge of research on KG querying and QA. The objectives of our survey are
two-fold. First, research on KG querying has been conducted by several
communities, such as databases, data mining, semantic web, machine learning,
information retrieval, and natural language processing (NLP), with different
focus and terminologies; and also in diverse topics ranging from graph
databases, query languages, join algorithms, graph patterns matching, to more
sophisticated KG embedding and natural language questions (NLQs). We aim at
uniting different interdisciplinary topics and concepts that have been
developed for KG querying. Second, many recent advances on KG and query
embedding, multimodal KG, and KG-QA come from deep learning, IR, NLP, and
computer vision domains. We identify important challenges of KG querying that
received less attention by graph databases, and by the DB community in general,
e.g., incomplete KG, semantic matching, multimodal data, and NLQs. We conclude
by discussing interesting opportunities for the data management community, for
instance, KG as a unified data model and vector-based query processing.
- Abstract（参考訳）: dbpedia、freebase、yago、wikidata、nellといった知識グラフ(kgs)は、大規模な実世界の事実を(サブジェクト、述語、オブジェクト)トリプルとして格納するために構築され、ノード(主題またはオブジェクト)が属性を持つエンティティを表し、有向エッジ(述語)が2つのエンティティの関係であるグラフとしてモデル化することもできる。
KGsのクエリは、Web検索、質問応答(QA)、セマンティック検索、パーソナルアシスタント、ファクトチェック、レコメンデーションにおいて重要である。
KGの構築とキュレーションには大きな進歩があったが、最近はディープラーニングのおかげで、KGクエリとQAに関する研究が急増している。
調査の目的は2つあります。
まず、データベース、データマイニング、セマンティックweb、機械学習、情報検索、自然言語処理(nlp)、グラフデータベース、クエリ言語、ジョインアルゴリズム、グラフパターンマッチング、より洗練されたkg埋め込み、自然言語質問(nlqs)など、さまざまなトピックにおいて、kgクエリに関する研究が行われている。
我々は,kg問合せのために開発された学際的トピックと概念の融合を目標としている。
第2に、KGとクエリ埋め込み、マルチモーダルKG、KG-QAに関する最近の多くの進歩は、ディープラーニング、IR、NLP、コンピュータビジョンドメインから来ている。
我々は,グラフデータベースやDBコミュニティ,例えば不完全なKG,セマンティックマッチング,マルチモーダルデータ,NLQなど,KGクエリの重要課題を明らかにする。
我々は、データ管理コミュニティにとって興味深い機会、例えば、統合データモデルとベクトルベースのクエリ処理としてのKGについて論じる。
関連論文リスト
- A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。
クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。
そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-10-16T06:47:18Z) - Retrieval-Augmented Language Model for Extreme Multi-Label Knowledge Graph Link Prediction [2.6749568255705656]
大規模言語モデル(LLM)における開放的調査のための外挿は2つの重要な問題に遭遇する。
既存の作業は、知識グラフからの情報により、より小さな言語モデルの入力を増大させることによって、この問題に対処しようとするものである。
我々は,モデルが複数の応答で外挿を行うことを可能にするために,新たなタスク,極端なマルチラベルKGリンク予測タスクを提案する。
論文 参考訳（メタデータ） (2024-05-21T10:10:56Z) - Multi-hop Question Answering over Knowledge Graphs using Large Language Models [1.8130068086063336]
複数のホップを含む知識グラフに答える能力(LLM)を評価する。
我々は、KGのサイズや性質によって、関連する情報をLLMに抽出し、供給するために異なるアプローチが必要であることを示す。
論文 参考訳（メタデータ） (2024-04-30T03:31:03Z) - Automated Construction of Theme-specific Knowledge Graphs [21.68957334046064]
テーマ固有コーパスから構築したテーマ固有知識グラフ(テーマKG)を提案する。
我々は、ThemeKG構築のための教師なしフレームワーク(TKGCon)を設計する。
テーマ固有のKGを段階的に構築することにより、GPT-4より優れ、正確な実体や関係を一貫して識別できる。
論文 参考訳（メタデータ） (2024-04-29T23:14:14Z) - Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。
GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
論文 参考訳（メタデータ） (2024-04-23T04:47:22Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。
我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
論文 参考訳（メタデータ） (2022-10-17T18:02:52Z) - Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。
大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。
トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
論文 参考訳（メタデータ） (2022-09-27T21:32:20Z) - Identify, Align, and Integrate: Matching Knowledge Graphs to Commonsense
Reasoning Tasks [81.03233931066009]
与えられたタスクの目的に整合した知識グラフ(KG)を選択することは重要である。
候補者KGがタスクの推論のギャップを正しく識別し、正確に埋めることができるかを評価するアプローチを示す。
このkg-to-taskマッチングを,知識-タスク識別,知識-タスクアライメント,知識-タスク統合という3つのフェーズで示す。
論文 参考訳（メタデータ） (2021-04-20T18:23:45Z) - QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question
Answering [122.84513233992422]
学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。
既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
論文 参考訳（メタデータ） (2021-04-13T17:32:51Z) - Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。
ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。
この記事では、AIのためのKGの旅を要約する。
論文 参考訳（メタデータ） (2020-03-07T18:09:18Z)
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。