論文の概要: A Comprehensive Study on Knowledge Graph Embedding over Relational
Patterns Based on Rule Learning
- arxiv url: http://arxiv.org/abs/2308.07889v1
- Date: Tue, 15 Aug 2023 17:30:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 11:49:26.611943
- Title: A Comprehensive Study on Knowledge Graph Embedding over Relational
Patterns Based on Rule Learning
- Title（参考訳）: ルール学習に基づく関係パターンに埋め込まれた知識グラフに関する総合的研究
- Authors: Long Jin, Zhen Yao, Mingyang Chen, Huajun Chen, Wen Zhang
- Abstract要約: KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。
関係パターンはKGEモデルの性能において重要な要素である。
我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
- 参考スコア（独自算出の注目度）: 49.09125100268454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graph Embedding (KGE) has proven to be an effective approach to
solving the Knowledge Graph Completion (KGC) task. Relational patterns which
refer to relations with specific semantics exhibiting graph patterns are an
important factor in the performance of KGE models. Though KGE models'
capabilities are analyzed over different relational patterns in theory and a
rough connection between better relational patterns modeling and better
performance of KGC has been built, a comprehensive quantitative analysis on KGE
models over relational patterns remains absent so it is uncertain how the
theoretical support of KGE to a relational pattern contributes to the
performance of triples associated to such a relational pattern. To address this
challenge, we evaluate the performance of 7 KGE models over 4 common relational
patterns on 2 benchmarks, then conduct an analysis in theory, entity frequency,
and part-to-whole three aspects and get some counterintuitive conclusions.
Finally, we introduce a training-free method Score-based Patterns Adaptation
(SPA) to enhance KGE models' performance over various relational patterns. This
approach is simple yet effective and can be applied to KGE models without
additional training. Our experimental results demonstrate that our method
generally enhances performance over specific relational patterns. Our source
code is available from GitHub at
https://github.com/zjukg/Comprehensive-Study-over-Relational-Patterns.
- Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、知識グラフ補完(KGC)タスクを解決するための効果的なアプローチであることが証明されている。
グラフパターンを示す特定の意味論との関係を示す関係パターンは、KGEモデルの性能において重要な要素である。
KGEモデルの性能は理論上の異なる関係パターンに対して分析され、より優れた関係パターンモデリングとKGCの性能との粗い関係が構築されているが、関係パターンに対するKGEモデルに関する包括的な定量的分析はいまだに存在せず、関係パターンに対するKGEの理論的サポートが、そのような関係パターンに関連する三重項のパフォーマンスにどのように寄与するかは不明である。
この課題に対処するため、2つのベンチマークで4つの共通リレーショナルパターンに対して7つのKGEモデルの性能を評価し、理論、実体周波数、部分対全3側面の分析を行い、いくつかの直感的結論を得る。
最後に,KGEモデルの性能を様々なリレーショナルパターンに対して向上させるために,Score-based Patterns Adaptation (SPA) のトレーニングフリー手法を提案する。
このアプローチは単純だが効果的であり、追加のトレーニングなしでKGEモデルに適用できる。
実験の結果,本手法は特定の関係パターンよりも高い性能を示すことがわかった。
ソースコードはGitHubからhttps://github.com/zjukg/Comprehensive-Study-over-Relational-Patternsで入手可能です。
関連論文リスト
- Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。
本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。
我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
論文 参考訳（メタデータ） (2024-10-16T08:54:52Z) - Block-Diagonal Orthogonal Relation and Matrix Entity for Knowledge Graph Embedding [5.463034010805521]
知識グラフ埋め込み (KGE) は、実体の低次元表現と、行方不明な事実を予測するための関係を学習することである。
我々は,エンティティの行列と関係のブロック対角行列を用いた新しいKGEモデルOrthogonalEを紹介する。
実験結果から,我々の新しいKGEモデルOrthogonalEは汎用的かつ柔軟であり,最先端のKGEモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-01-11T15:13:00Z) - Separate-and-Aggregate: A Transformer-based Patch Refinement Model for
Knowledge Graph Completion [28.79628925695775]
本稿では,知識グラフ補完のための新しいトランスフォーマーベースのパッチリファインメントモデル(PatReFormer)を提案する。
我々は4つのKGCベンチマーク(WN18RR, FB15k-237, YAGO37, DB100K)で実験を行った。
実験結果から, 既存のKGC法と標準KGC評価指標との有意な性能向上が得られた。
論文 参考訳（メタデータ） (2023-07-11T06:27:13Z) - Analogical Inference Enhanced Knowledge Graph Embedding [5.3821360049964815]
我々は、アナログ推論機能を備えたKGEモデルを強化するための、新規で汎用的な自己教師型フレームワークAnKGEを提案する。
アナログオブジェクト検索器は、エンティティレベル、リレーレベル、トリプルレベルから適切なアナログオブジェクトを検索する。
AnKGEはリンク予測タスクの競合結果を達成し、アナログ推論をうまく行う。
論文 参考訳（メタデータ） (2023-01-03T07:24:05Z) - Knowledge Graph Contrastive Learning Based on Relation-Symmetrical
Structure [36.507635518425744]
関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。
我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
論文 参考訳（メタデータ） (2022-11-19T16:30:29Z) - 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) - Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。
本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。
本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-08T11:36:18Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-14T00:53:03Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。