論文の概要: Knowledge Graph Reasoning over Entities and Numerical Values

• arxiv url: http://arxiv.org/abs/2306.01399v1
• Date: Fri, 2 Jun 2023 09:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 15:55:18.700640
• Title: Knowledge Graph Reasoning over Entities and Numerical Values
• Title（参考訳）: エンティティと数値に関する知識グラフ推論
• Authors: Jiaxin Bai, Chen Luo, Zheng Li, Qingyu Yin, Bing Yin, Yangqiu Song
• Abstract要約: 数値属性値を含むクエリを記述するために,新しい数値変数と演算を導入する。 また、エンティティと数値を別のエンコード構造に符号化するためのNRN(Number Reasoning Network)のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 48.67312700426019
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A complex logic query in a knowledge graph refers to a query expressed in logic form that conveys a complex meaning, such as where did the Canadian Turing award winner graduate from? Knowledge graph reasoning-based applications, such as dialogue systems and interactive search engines, rely on the ability to answer complex logic queries as a fundamental task. In most knowledge graphs, edges are typically used to either describe the relationships between entities or their associated attribute values. An attribute value can be in categorical or numerical format, such as dates, years, sizes, etc. However, existing complex query answering (CQA) methods simply treat numerical values in the same way as they treat entities. This can lead to difficulties in answering certain queries, such as which Australian Pulitzer award winner is born before 1927, and which drug is a pain reliever and has fewer side effects than Paracetamol. In this work, inspired by the recent advances in numerical encoding and knowledge graph reasoning, we propose numerical complex query answering. In this task, we introduce new numerical variables and operations to describe queries involving numerical attribute values. To address the difference between entities and numerical values, we also propose the framework of Number Reasoning Network (NRN) for alternatively encoding entities and numerical values into separate encoding structures. During the numerical encoding process, NRN employs a parameterized density function to encode the distribution of numerical values. During the entity encoding process, NRN uses established query encoding methods for the original CQA problem. Experimental results show that NRN consistently improves various query encoding methods on three different knowledge graphs and achieves state-of-the-art results.
• Abstract（参考訳）: ナレッジグラフにおける複雑な論理クエリは、カナダチューリング賞の受賞者がどこから卒業したかなど、複雑な意味を伝える論理形式で表現されたクエリを指す。 対話システムや対話型検索エンジンのような知識グラフ推論に基づくアプリケーションは、基本的なタスクとして複雑な論理クエリに答える能力に依存している。 ほとんどの知識グラフでは、エッジは通常、エンティティ間の関係や関連する属性値を記述するために使われる。 属性値は、日付、年月、サイズなど、カテゴリー的または数値的なフォーマットでもよい。 しかし、既存のcomplex query answering(cqa)メソッドは、エンティティを扱うのと同じように数値を単純に扱う。 オーストラリア・ピューリッツァー賞受賞者が1927年以前に生まれ、どの薬が鎮痛剤であり、パラセタモールよりも副作用が少ないかなど、特定の問合せに答えるのは難しい可能性がある。 本研究では,近年の数値エンコーディングと知識グラフ推論の進歩に触発されて,数値複雑クエリ応答を提案する。 本稿では,数値属性値を含むクエリを記述するために,新しい数値変数と演算を導入する。 また、エンティティと数値の差に対処するために、代わりにエンティティと数値を別のエンコード構造に符号化するNRN(Number Reasoning Network)の枠組みを提案する。 数値符号化の過程で、NRNはパラメータ化密度関数を用いて数値の分布を符号化する。 エンティティエンコーディングプロセスの間、NRNは元のCQA問題に対して確立されたクエリエンコーディング手法を使用する。 実験の結果,NRNは3つの知識グラフ上の様々なクエリエンコーディング法を一貫して改善し,最先端の結果が得られた。

関連論文リスト

• Pathformer: Recursive Path Query Encoding for Complex Logical Query Answering [20.521886749524814]
  木のような計算グラフ,すなわちクエリツリーをベースとした,Pathformerと呼ばれるニューラルネットワークによる一点埋め込み手法を提案する。 具体的には、Pathformerはクエリ計算ツリーを分岐によってパスクエリシーケンスに分解する。 これにより、Pathformerは将来のコンテキスト情報を完全に活用して、パスクエリの様々な部分間の複雑な相互作用を明示的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-06-21T06:02:58Z)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• Sequential Query Encoding For Complex Query Answering on Knowledge Graphs [31.40820604209387]
  本稿では,知識グラフ(KG)推論のためのクエリを符号化する代替手段として,シーケンシャルクエリ符号化(SQE)を提案する。 SQEはまず、探索ベースのアルゴリズムを使用して、計算グラフを一連のトークンに線形化し、次にシーケンスエンコーダを使用してベクトル表現を計算する。 その単純さにもかかわらず、SQEはFB15k、FB15k-237、NELLで最先端のニューラルネットワーク符号化性能を示す。
  論文  参考訳（メタデータ） (2023-02-25T16:33:53Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• 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)
• Uni-Parser: Unified Semantic Parser for Question Answering on Knowledge Base and Database [86.03294330305097]
  知識ベース(KB)とデータベース(DB)の両方で質問応答(QA)を統一した意味的要素を提案する。 フレームワークに不可欠な要素としてプリミティブ(KBのリレーションとエンティティ、テーブル名、列名、DBのセル値)を導入します。 生成元を利用して、異なる操作でトップランクプリミティブを変更・構成することで、最終的な論理形式を予測する。
  論文  参考訳（メタデータ） (2022-11-09T19:33:27Z)
• Query2Particles: Knowledge Graph Reasoning with Particle Embeddings [49.64006979045662]
  本稿では,知識グラフにエッジを欠いた複雑な論理的クエリに応答するクエリ埋め込み手法を提案する。 回答エンティティは、エンティティの埋め込みとクエリの埋め込みの類似性に応じて選択される。 埋め込み空間上の様々な領域から多様な回答を検索するために,複雑なKGクエリ応答方法Q2Pを提案する。
  論文  参考訳（メタデータ） (2022-04-27T11:16:08Z)
• Improving Numerical Reasoning Skills in the Modular Approach for Complex Question Answering on Text [39.22253030039486]
  複雑な質問応答(CQA)をテキストで実現するアプローチとして、Neural Module Networks(NMN)がある。 我々は,NMNの数値推論能力を向上させるための効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T08:34:31Z)

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。