論文の概要: Exploring Link Prediction over Hyper-Relational Temporal Knowledge
Graphs Enhanced with Time-Invariant Relational Knowledge
- arxiv url: http://arxiv.org/abs/2307.10219v1
- Date: Fri, 14 Jul 2023 21:29:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 11:16:49.480126
- Title: Exploring Link Prediction over Hyper-Relational Temporal Knowledge
Graphs Enhanced with Time-Invariant Relational Knowledge
- Title（参考訳）: 時間不変リレーショナル知識によるハイパーリレーショナル時間知識グラフのリンク予測
- Authors: Zifeng Ding, Jingcheng Wu, Jingpei Wu, Yan Xia, Volker Tresp
- Abstract要約: 我々は2つのベンチマークハイパーリレーショナルTKG(HTKG)データセット、すなわちWiki-hyとYAGO-hyを開発した。
時間的事実と等化器の両方を効率的にモデル化するHTKG推論モデルを提案する。
我々はWikidataの知識ベースから追加の時間不変リレーショナル知識を利用する。
- 参考スコア（独自算出の注目度）: 22.0462517690773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stemming from traditional knowledge graphs (KGs), hyper-relational KGs (HKGs)
provide additional key-value pairs (i.e., qualifiers) for each KG fact that
help to better restrict the fact validity. In recent years, there has been an
increasing interest in studying graph reasoning over HKGs. In the meantime, due
to the ever-evolving nature of world knowledge, extensive parallel works have
been focusing on reasoning over temporal KGs (TKGs), where each TKG fact can be
viewed as a KG fact coupled with a timestamp (or time period) specifying its
time validity. The existing HKG reasoning approaches do not consider temporal
information because it is not explicitly specified in previous benchmark
datasets. Besides, all the previous TKG reasoning methods only lay emphasis on
temporal reasoning and have no way to learn from qualifiers. To this end, we
aim to fill the gap between TKG reasoning and HKG reasoning. We develop two new
benchmark hyper-relational TKG (HTKG) datasets, i.e., Wiki-hy and YAGO-hy, and
propose a HTKG reasoning model that efficiently models both temporal facts and
qualifiers. We further exploit additional time-invariant relational knowledge
from the Wikidata knowledge base and study its effectiveness in HTKG reasoning.
Time-invariant relational knowledge serves as the knowledge that remains
unchanged in time (e.g., Sasha Obama is the child of Barack Obama), and it has
never been fully explored in previous TKG reasoning benchmarks and approaches.
Experimental results show that our model substantially outperforms previous
related methods on HTKG link prediction and can be enhanced by jointly
leveraging both temporal and time-invariant relational knowledge.
- Abstract（参考訳）: 従来の知識グラフ(KGs)から推定すると、ハイパーリレーショナルなKG(HKGs)は、各KG事実に対して追加のキー値対(すなわち、修飾子)を提供し、事実の有効性をよりよく制限する。
近年,HKGに対するグラフ推論研究への関心が高まっている。
その間、世界知識の進化を続ける性質から、時間的KG(TKG)の推論に焦点を合わせ、TKGの事実を時間的妥当性を示すタイムスタンプ(タイムスタンプ)と組み合わせてKGの事実とみなすことができる。
既存のhkg推論アプローチは、以前のベンチマークデータセットで明示的に指定されていないため、時間情報を考慮していない。
さらに、従来のTKG推論手法はすべて、時間的推論にのみ重点を置いており、修飾子から学ぶ方法がない。
本研究の目的は,TKG推論とHKG推論のギャップを埋めることである。
Wiki-hy と YAGO-hy という2つのベンチマークハイパーリレーショナル TKG (HTKG) データセットを開発し,時間的事実と等式の両方を効率的にモデル化するHTKG推論モデルを提案する。
さらに,Wikidataナレッジベースから追加の時間不変リレーショナル知識を活用し,HTKG推論の有効性について検討する。
時間不変リレーショナル知識は、時間的に変化しない知識(例えば、サシャ・オバマはバラク・オバマの子)であり、以前のTKG推論ベンチマークやアプローチでは十分に研究されていない。
実験の結果,従来のhtkgリンク予測法を実質的に上回っており,時間的および時間的不変な関係知識を共同で活用することで改善できることがわかった。
関連論文リスト
- A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises [52.31710895034573]
この研究は、医療知識グラフ(HKG)の最初の包括的なレビューを提供する。
HKG構築のためのパイプラインと重要なテクニックを要約し、一般的な利用方法も示す。
アプリケーションレベルでは、さまざまなヘルスドメインにわたるHKGの正常な統合を検討します。
論文 参考訳（メタデータ） (2023-06-07T21:51:56Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。
特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。
より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
論文 参考訳（メタデータ） (2022-10-30T04:05:06Z) - 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) - Learning Meta Representations of One-shot Relations for Temporal
Knowledge Graph Link Prediction [33.36701435886095]
近年,静的知識グラフ(KG)のリレーショナル学習が注目されている。
TKGには豊富な時間情報が含まれており、モデリングには時間的推論技術が必要である。
これは、時間的文脈で少数のショットの関係を学ぶ上で大きな課題となる。
論文 参考訳（メタデータ） (2022-05-21T15:17:52Z) - EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning
over Temporal Knowledge Graphs [25.408246523764085]
時間的知識グラフ(TKG)に対する推論は、インテリジェントなサービスを提供する多くのアプリケーションにとって不可欠である。
本稿では、TKGに対する効果的な推論、すなわちイベント時間と進化するネットワーク構造をモデル化するために対処すべき2つの主要な問題を統一する問題定式化を提案する。
提案手法は,TKGの非定常的構造と時間的ダイナミクスを解析し,両タスクを効果的にモデル化する。
論文 参考訳（メタデータ） (2022-02-15T18:49:53Z) - Hyperbolic Temporal Knowledge Graph Embeddings with Relational and Time
Curvatures [0.12891210250935145]
知識グラフ(KG)を完成させるためのパラメータとして時間を考える研究がますます増えている。
まず, 正のサンプル数を増やすことで, 最近のAttHモデルは, 時間的KG(TKGs)の最先端技術よりも, 競争力や性能を向上できることを示した。
実験の結果,HerculesとAttHはICEWS04およびICEWS05-15データセット上で,競合的あるいは新しい最先端のパフォーマンスを実現していることがわかった。
論文 参考訳（メタデータ） (2021-06-08T13:13:43Z) - Temporal Knowledge Graph Reasoning Based on Evolutional Representation
Learning [59.004025528223025]
将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。
TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。
グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
論文 参考訳（メタデータ） (2021-04-21T05:12:21Z) - T-GAP: Learning to Walk across Time for Temporal Knowledge Graph
Completion [13.209193437124881]
時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。
エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。
本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
論文 参考訳（メタデータ） (2020-12-19T04:45:32Z) - TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion [45.588053447288566]
時間的知識グラフ(TKGs)に欠落した事実を推測することは、基本的で困難な課題である。
本稿では、グラフニューラルネットワーク、時間力学モデル、データインプット、周波数ベースのゲーティング技術を組み合わせることで、これらの課題に対処するTemporal Message Passing(TeMP)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-07T17:11:53Z) - TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation [12.138550487430807]
本稿では,TKG埋め込みの新しいアプローチであるTeRoについて述べる。
提案モデルでは,既存のKG埋め込みモデルとTKG埋め込みモデルの限界を克服する。
4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-10-02T14:35:27Z)
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。