論文の概要: Universal Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2310.14899v2
• Date: Fri, 5 Jul 2024 12:35:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 00:52:08.571141
• Title: Universal Knowledge Graph Embeddings
• Title（参考訳）: ユニバーサル知識グラフの埋め込み
• Authors: N'Dah Jean Kouagou, Caglar Demir, Hamada M. Zahera, Adrian Wilke, Stefan Heindorf, Jiayi Li, Axel-Cyrille Ngonga Ngomo,
• Abstract要約: 本稿では,大規模知識源からユニバーサル知識グラフの埋め込みを学習することを提案する。 私たちはDBpediaとWikidataをベースとした普遍的な埋め込みを、約1億5000万のエンティティ、1500万のリレーション、120億のトリプルで計算することで、私たちのアイデアをインスタンス化します。
• 参考スコア（独自算出の注目度）: 4.322134229203427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A variety of knowledge graph embedding approaches have been developed. Most of them obtain embeddings by learning the structure of the knowledge graph within a link prediction setting. As a result, the embeddings reflect only the structure of a single knowledge graph, and embeddings for different knowledge graphs are not aligned, e.g., they cannot be used to find similar entities across knowledge graphs via nearest neighbor search. However, knowledge graph embedding applications such as entity disambiguation require a more global representation, i.e., a representation that is valid across multiple sources. We propose to learn universal knowledge graph embeddings from large-scale interlinked knowledge sources. To this end, we fuse large knowledge graphs based on the owl:sameAs relation such that every entity is represented by a unique identity. We instantiate our idea by computing universal embeddings based on DBpedia and Wikidata yielding embeddings for about 180 million entities, 15 thousand relations, and 1.2 billion triples. We believe our computed embeddings will support the emerging field of graph foundation models. Moreover, we develop a convenient API to provide embeddings as a service. Experiments on link prediction suggest that universal knowledge graph embeddings encode better semantics compared to embeddings computed on a single knowledge graph. For reproducibility purposes, we provide our source code and datasets open access.
• Abstract（参考訳）: 様々な知識グラフの埋め込み手法が開発されている。 それらの多くは、リンク予測設定内で知識グラフの構造を学習することで埋め込みを得る。 結果として、埋め込みは単一の知識グラフの構造のみを反映し、異なる知識グラフに対する埋め込みは整列しない。 しかし、エンティティの曖昧さのような知識グラフを埋め込むアプリケーションには、よりグローバルな表現、すなわち複数のソースにまたがって有効な表現が必要である。 本稿では,大規模リンク型知識ソースからユニバーサル知識グラフの埋め込みを学習することを提案する。 この目的のために、我々はフクロウ:sameAs関係に基づいて大きな知識グラフを融合し、全ての実体が一意のアイデンティティで表されるようにする。 私たちは、DBpediaとWikidataをベースとした普遍的な埋め込みを計算し、約1億5000万のエンティティ、1500のリレーション、120億のトリプルに対して埋め込みを出力することで、私たちのアイデアをインスタンス化します。 計算された埋め込みは、グラフ基盤モデルの新たな分野をサポートすると信じています。 さらに、埋め込みをサービスとして提供するための便利なAPIも開発しています。 リンク予測の実験では、ユニバーサルナレッジグラフの埋め込みは、単一のナレッジグラフ上で計算された埋め込みよりも、より良いセマンティクスをエンコードすることを示唆している。 再現性のために、ソースコードとデータセットをオープンアクセスで提供します。

関連論文リスト

• Relations Prediction for Knowledge Graph Completion using Large Language Models [0.0]
  我々は,関係予測タスクのために,知識グラフノード名を用いて大きな言語モデルを微調整する。 実験の結果,広く利用されている知識グラフベンチマークにおいて,新たなスコアが得られた。
  論文  参考訳（メタデータ） (2024-05-04T19:04:51Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning [15.703028753526022]
  我々は、知識グラフの埋め込みにおけるデータ駆動力と、専門家や包摂体制から生じるドメイン固有の推論(OWL2)とを緩やかに結合することを提案する。 最初の結果から,バニラ知識グラフ埋め込みのMRR精度を最大3倍に向上し,知識グラフ埋め込みとルールマイニング,最大3.5倍MRRの推論を組み合わせたハイブリッドソリューションより優れていた。
  論文  参考訳（メタデータ） (2022-02-07T14:01:49Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• Edge: Enriching Knowledge Graph Embeddings with External Text [32.01476220906261]
  We propose a knowledge graph enrichment and embedded framework named Edge。 元の知識グラフが与えられたら、まず、セマンティックおよび構造レベルで外部テキストを使用してリッチだがノイズの多い拡張グラフを生成する。 関連する知識を抽出し,導入した雑音を抑制するため,元のグラフと拡張グラフとの共有埋め込み空間におけるグラフアライメント項を設計する。
  論文  参考訳（メタデータ） (2021-04-11T03:47:06Z)
• Entity Context Graph: Learning Entity Representations fromSemi-Structured Textual Sources on the Web [44.92858943475407]
  エンティティ中心のテキスト知識ソースを処理してエンティティ埋め込みを学ぶアプローチを提案する。 私たちのアプローチから学んだ埋め込みは、(i)高品質で、既知の知識グラフベースの埋め込みに匹敵し、それらをさらに改善するために使用することができます。
  論文  参考訳（メタデータ） (2021-03-29T20:52:14Z)
• Knowledge Graphs on the Web -- an Overview [1.7778609937758327]
  GoogleはまずKnowledge Graphという用語を作り、検索結果を改善する手段として宣伝した。 知識グラフでは、現実世界のエンティティと/またはビジネスドメインはノードとして表現され、エッジによって接続される。 また、DBpediaやWikidataなど、公開可能な知識グラフも多数存在する。
  論文  参考訳（メタデータ） (2020-03-02T08:58:21Z)
• A Survey on Knowledge Graphs: Representation, Acquisition and Applications [89.78089494738002]
  我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。 知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。 メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
  論文  参考訳（メタデータ） (2020-02-02T13:17:31Z)
• Bridging Knowledge Graphs to Generate Scene Graphs [49.69377653925448]
  本稿では,2つのグラフ間の情報伝達を反復的に行う新しいグラフベースニューラルネットワークを提案する。 我々のグラフブリッジネットワークであるGB-Netは、エッジとノードを連続的に推論し、相互接続されたシーンとコモンセンスグラフのリッチでヘテロジニアスな構造を同時に活用し、洗練する。
  論文  参考訳（メタデータ） (2020-01-07T23:35:52Z)

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。