論文の概要: Approximate Answering of Graph Queries

• arxiv url: http://arxiv.org/abs/2308.06585v1
• Date: Sat, 12 Aug 2023 14:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 16:35:28.087789
• Title: Approximate Answering of Graph Queries
• Title（参考訳）: グラフクエリの近似応答
• Authors: Michael Cochez, Dimitrios Alivanistos, Erik Arakelyan, Max Berrendorf, Daniel Daza, Mikhail Galkin, Pasquale Minervini, Mathias Niepert, Hongyu Ren
• Abstract要約: 本章では,このような条件下での問合せに対処するために提案されたいくつかの手法の概要について述べる。 まず、これらのメソッドと一般的に評価に使用されるデータセットがサポートするさまざまなクエリタイプの概要を説明します。 次に、異なるアプローチの概要を述べ、表現性、サポートされたグラフタイプ、推論機能の観点から記述する。
• 参考スコア（独自算出の注目度）: 40.375299599925924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) are inherently incomplete because of incomplete world knowledge and bias in what is the input to the KG. Additionally, world knowledge constantly expands and evolves, making existing facts deprecated or introducing new ones. However, we would still want to be able to answer queries as if the graph were complete. In this chapter, we will give an overview of several methods which have been proposed to answer queries in such a setting. We will first provide an overview of the different query types which can be supported by these methods and datasets typically used for evaluation, as well as an insight into their limitations. Then, we give an overview of the different approaches and describe them in terms of expressiveness, supported graph types, and inference capabilities.
• Abstract（参考訳）: 知識グラフ(KG)は本質的に不完全な世界知識とKGへの入力のバイアスのため不完全である。 さらに、世界の知識は常に拡大し進化し、既存の事実を非推奨にしたり、新しい事実を導入したりする。 しかし、グラフが完成したかのようにクエリに答えられるようにしたいのです。 本章では,このような条件下でクエリに応答するために提案されたいくつかの手法の概要について述べる。 まず、これらのメソッドと一般的に評価に使用されるデータセットがサポートするさまざまなクエリタイプの概要と、それらの制限に関する洞察を提供する。 次に、異なるアプローチの概要を説明し、表現力、サポートされたグラフタイプ、推論能力の観点からそれらを記述する。

関連論文リスト

• Bottom-up Anytime Discovery of Generalised Multimodal Graph Patterns for Knowledge Graphs [0.0]
  本稿では,知識グラフにおける一般化マルチモーダルグラフパターンのボトムアップ発見のためのアルゴリズムを提案する。 発見されると、パターンはSPARQLクエリに変換され、インタラクティブなファセットブラウザで表示される。 我々は,人文科学分野の専門家の助けを借りて,ユーザの視点から評価を行った。
  論文  参考訳（メタデータ） (2024-10-08T09:07:27Z)
• One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
  我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。 我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
  論文  参考訳（メタデータ） (2024-09-21T00:30:44Z)
• QAGCF: Graph Collaborative Filtering for Q&A Recommendation [58.21387109664593]
  質問と回答(Q&A)プラットフォームは通常、ユーザの知識獲得のニーズを満たすために質問と回答のペアを推奨する。 これにより、ユーザの振る舞いがより複雑になり、Q&Aレコメンデーションの2つの課題が提示される。 グラフニューラルネットワークモデルであるQ&Answer Graph Collaborative Filtering (QAGCF)を導入する。
  論文  参考訳（メタデータ） (2024-06-07T10:52:37Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• 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)
• Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph [5.5332967798665305]
  本稿では,自然言語質問からクエリグラフを生成することに焦点を当てる。 クエリグラフ生成のための既存のアプローチは、質問の意味構造を無視している。 本研究では,質問の意味的構造を予測する新しい構造BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-15T20:35:00Z)
• AnswerSumm: A Manually-Curated Dataset and Pipeline for Answer Summarization [73.91543616777064]
  Stack OverflowやYahoo!のようなコミュニティ質問回答(CQA)フォーラムには、幅広いコミュニティベースの質問に対する回答の豊富なリソースが含まれている。 回答の要約の1つのゴールは、回答の視点の範囲を反映した要約を作成することである。 本研究は,専門言語学者による解答要約のための4,631個のCQAスレッドからなる新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2021-11-11T21:48:02Z)
• Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
  マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。 我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
  論文  参考訳（メタデータ） (2021-06-15T14:08:50Z)
• Approximate Knowledge Graph Query Answering: From Ranking to Binary Classification [0.20999222360659608]
  不完全グラフ上の構造化クエリは、不完全解の集合をもたらす。 近似構造化クエリ応答のためのいくつかのアルゴリズムが提案されている。 ランキングに基づく評価を行うことは、複雑な問合せ応答の方法を評価するのに十分ではないと我々は主張する。
  論文  参考訳（メタデータ） (2021-02-22T22:28:08Z)

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。