論文の概要: Shrinking Embeddings for Hyper-Relational Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2306.02199v1
• Date: Sat, 3 Jun 2023 21:14:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 19:37:01.765418
• Title: Shrinking Embeddings for Hyper-Relational Knowledge Graphs
• Title（参考訳）: ハイパーリレーショナル知識グラフのためのシンキング埋め込み
• Authors: Bo Xiong, Mojtaba Nayyer, Shirui Pan, Steffen Staab
• Abstract要約: 本稿では,これらのパターンを明示的にモデル化することを目的とした幾何学的ハイパーリレーショナルKG埋め込み手法であるemphShrinkEを提案する。 実験の結果、ShrinkEは3つのハイパーリレーショナルKGのベンチマークで優れていることが示された。
• 参考スコア（独自算出の注目度）: 42.23862602535092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction on knowledge graphs (KGs) has been extensively studied on binary relational KGs, wherein each fact is represented by a triple. A significant amount of important knowledge, however, is represented by hyper-relational facts where each fact is composed of a primal triple and a set of qualifiers comprising a key-value pair that allows for expressing more complicated semantics. Although some recent works have proposed to embed hyper-relational KGs, these methods fail to capture essential inference patterns of hyper-relational facts such as qualifier monotonicity, qualifier implication, and qualifier mutual exclusion, limiting their generalization capability. To unlock this, we present \emph{ShrinkE}, a geometric hyper-relational KG embedding method aiming to explicitly model these patterns. ShrinkE models the primal triple as a spatial-functional transformation from the head into a relation-specific box. Each qualifier ``shrinks'' the box to narrow down the possible answer set and, thus, realizes qualifier monotonicity. The spatial relationships between the qualifier boxes allow for modeling core inference patterns of qualifiers such as implication and mutual exclusion. Experimental results demonstrate ShrinkE's superiority on three benchmarks of hyper-relational KGs.
• Abstract（参考訳）: 知識グラフ(KGs)上のリンク予測は、連立関係KGsにおいて広範囲に研究され、それぞれの事実は三重項で表される。 しかし、重要な知識のかなりの量は、各事実が主三重項と、より複雑な意味論を表現するキーと値のペアからなる修飾子からなる超関係事実によって表される。 ハイパーリレーショナルkgを組み込むための最近の研究がいくつか提案されているが、これらの方法は修飾子単調性、修飾子含意、修飾子相互排他といった超リレーショナル事実の本質的な推論パターンを捉えられず、その一般化能力に制限がある。 これを回避するために,これらのパターンを明示的にモデル化することを目的とした幾何的超相関KG埋め込み法である \emph{ShrinkE} を提案する。 ShrinkEは原始三重項を頭部から関係特異的箱への空間関数変換としてモデル化する。 各修飾子 `shrinks' は、可能な答え集合を狭め、したがって修飾子単調性を実現する。 修飾子ボックス間の空間的関係は、含意や相互排他といった修飾子のコア推論パターンをモデル化することができる。 実験結果は,高相関kgsの3つのベンチマークにおいて, shrinke が優れていることを示した。

関連論文リスト

• HyperMono: A Monotonicity-aware Approach to Hyper-Relational Knowledge Representation [27.28214706269035]
  ハイパーリレーショナル・ナレッジグラフ(HKG)では、各事実は属性値の修飾子に関連する主三重からなり、追加の事実知識が表現される。 本稿では,ハイパーリレーショナル知識グラフ補完のためのHyperMonoモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T15:00:17Z)
• HyperFormer: Enhancing Entity and Relation Interaction for Hyper-Relational Knowledge Graph Completion [25.399684403558553]
  ハイパーリレーショナル知識グラフ(HKG)は、属性値の等式をトリプルに関連付けることによって、標準的な知識グラフを拡張する。 本稿では,三重項の実体,関係,等化子の内容をエンコードする局所レベルシーケンシャル情報を考慮したモデルであるHyperFormerを提案する。
  論文  参考訳（メタデータ） (2023-08-12T09:31:43Z)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• Learning Representations for Hyper-Relational Knowledge Graphs [35.380689788802776]
  複数のアグリゲータを用いて超関係事実の表現を学習するフレームワークを設計する。 実験では、複数のデータセットにまたがるフレームワークの有効性を実証した。 フレームワークにおける各種コンポーネントの重要性を検証するためのアブレーション研究を行っている。
  論文  参考訳（メタデータ） (2022-08-30T15:02:14Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
  知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
  論文  参考訳（メタデータ） (2021-10-28T07:16:08Z)
• On the Role of Conceptualization in Commonsense Knowledge Graph Construction [59.39512925793171]
  アトミックやASERのような常識知識グラフ(CKG)は、従来のKGと大きく異なる。 本稿では, CKG の概念化手法を紹介し, テキストに記述されたエンティティを特定の概念のインスタンスとみなすか, あるいはその逆を例に紹介する。 提案手法は, 可塑性三重項を効果的に同定し, 新たなノードの3重項と, 多様性と新規性の両端項によってKGを拡張できる。
  論文  参考訳（メタデータ） (2020-03-06T14:35:20Z)

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。