論文の概要: Towards Semantically Enriched Embeddings for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2308.00081v4
• Date: Thu, 11 Jul 2024 13:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 23:57:21.131099
• Title: Towards Semantically Enriched Embeddings for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ補完のための意味豊かな埋め込みを目指して
• Authors: Mehwish Alam, Frank van Harmelen, Maribel Acosta,
• Abstract要約: 本稿では,KG埋め込み生成のバリエーションに基づいて,既存のKG完了アルゴリズムについて論じる。 その後、KG、LLM内の型情報を利用したアルゴリズムに移行し、最後に、異なる記述論理公理で表されるセマンティクスをキャプチャするアルゴリズムに移行する。
• 参考スコア（独自算出の注目度）: 1.5361702135159845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embedding based Knowledge Graph (KG) Completion has gained much attention over the past few years. Most of the current algorithms consider a KG as a multidirectional labeled graph and lack the ability to capture the semantics underlying the schematic information. In a separate development, a vast amount of information has been captured within the Large Language Models (LLMs) which has revolutionized the field of Artificial Intelligence. KGs could benefit from these LLMs and vice versa. This vision paper discusses the existing algorithms for KG completion based on the variations for generating KG embeddings. It starts with discussing various KG completion algorithms such as transductive and inductive link prediction and entity type prediction algorithms. It then moves on to the algorithms utilizing type information within the KGs, LLMs, and finally to algorithms capturing the semantics represented in different description logic axioms. We conclude the paper with a critical reflection on the current state of work in the community and give recommendations for future directions.
• Abstract（参考訳）: 埋め込みベースの知識グラフ(KG) 完成度はここ数年で大きな注目を集めている。 現在のアルゴリズムの多くは、KGを多方向ラベル付きグラフと見なしており、スキーマ情報に基づくセマンティクスをキャプチャする能力がない。 別の開発では、人工知能の分野に革命をもたらしたLarge Language Models(LLMs)内で、膨大な情報が収集されている。 KGはこれらのLCMの恩恵を受けることができる。 本稿では,KG埋め込み生成のバリエーションに基づいて,既存のKG完了アルゴリズムについて述べる。 まず、帰納的および帰納的リンク予測やエンティティタイプ予測アルゴリズムなど、さまざまなKG補完アルゴリズムについて議論する。 その後、KG、LLM内の型情報を利用したアルゴリズムに移行し、最後に、異なる記述論理公理で表されるセマンティクスをキャプチャするアルゴリズムに移行する。 本稿は、コミュニティにおける現在の作業状況について批判的な考察を行い、今後の方向性について推奨する。

関連論文リスト

• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [90.30473970040362]
  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できる、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 具体的には、LLMをKGを探索するエージェントとして扱うだけでなく、KGとして扱い、探索したサブグラフに基づいて新たな事実を生成する選択生成探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• Knowledge Graph Large Language Model (KG-LLM) for Link Prediction [43.55117421485917]
  本稿では,知識グラフタスクに大規模言語モデル(LLM)を活用する新しいフレームワークである知識グラフ大言語モデル(KG-LLM)を紹介する。 まず、構造化知識グラフデータを自然言語に変換し、次にこれらの自然言語プロンプトを微調整 LLM に変換する。 KG-LLMフレームワークの有効性を示すため,Flan-T5,LLaMa2,Gemmaの3つのLLMを微調整した。
  論文  参考訳（メタデータ） (2024-03-12T04:47:29Z)
• Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing Semantics with MASCHInE [3.174882428337821]
  近年,知識グラフ埋め込みモデル (KGEMs) が注目されている。 本研究では,RDF/S情報を活用するKGの小型改良版であるプロトグラフを設計する。 学習されたプロトグラフベースの埋め込みは、KGのセマンティクスをカプセル化することを目的としており、KGEの学習に利用することができる。
  論文  参考訳（メタデータ） (2023-06-06T13:22:54Z)
• 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)
• Disconnected Emerging Knowledge Graph Oriented Inductive Link Prediction [0.0]
  我々はDECG-ILP(Disconnect Emerging Knowledge Graph Oriented Inductive Link Prediction)という新しいモデルを提案する。 CLRMは、元のKGとDECG間で共有されるグローバルな関係に基づく意味的特徴を抽出するために開発された。 モジュールGSMは、各リンク周辺の局所部分グラフトポロジ情報をKGで抽出するために提案される。
  論文  参考訳（メタデータ） (2022-09-03T10:58:24Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• MEKER: Memory Efficient Knowledge Embedding Representation for Link Prediction and Question Answering [65.62309538202771]
  知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。 KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。 リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:47:03Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)
• Connecting the Dots: A Knowledgeable Path Generator for Commonsense Question Answering [50.72473345911147]
  本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。 KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
  論文  参考訳（メタデータ） (2020-05-02T03:53:21Z)
• Entity Type Prediction in Knowledge Graphs using Embeddings [2.7528170226206443]
  オープンナレッジグラフ(DBpedia、Wikidata、YAGOなど)は、データマイニングと情報検索の分野における多様なアプリケーションのバックボーンとして認識されている。 これらのKGのほとんどは、スナップショットからの自動情報抽出またはユーザーが提供する情報蓄積によって作成されるか、ウィキペディアを用いて作成される。 これらのKGの型情報は、しばしばうるさい、不完全、不正確である。 KG埋め込みを用いたエンティティタイピングのためのマルチラベル分類手法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T17:57:08Z)
• 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。