論文の概要: RDF-star2Vec: RDF-star Graph Embeddings for Data Mining
- arxiv url: http://arxiv.org/abs/2312.15626v1
- Date: Mon, 25 Dec 2023 06:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 17:17:48.973410
- Title: RDF-star2Vec: RDF-star Graph Embeddings for Data Mining
- Title（参考訳）: rdf-star2vec: データマイニングのためのrdf-starグラフ埋め込み
- Authors: Shusaku Egami, Takanori Ugai, Masateru Oota, Kyoumoto Matsushita,
Takahiro Kawamura, Kouji Kozaki, Ken Fukuda
- Abstract要約: 本研究では、RDF-star2Vecという、RDF-starグラフのための新しい知識グラフ埋め込みモデルを紹介する。
複雑なRDF星グラフに着目したデータマイニングタスクのためのデータセットとベンチマークフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 1.6492989697868894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graphs (KGs) such as Resource Description Framework (RDF) data
represent relationships between various entities through the structure of
triples (<subject, predicate, object>). Knowledge graph embedding (KGE) is
crucial in machine learning applications, specifically in node classification
and link prediction tasks. KGE remains a vital research topic within the
semantic web community. RDF-star introduces the concept of a quoted triple
(QT), a specific form of triple employed either as the subject or object within
another triple. Moreover, RDF-star permits a QT to act as compositional
entities within another QT, thereby enabling the representation of recursive,
hyper-relational KGs with nested structures. However, existing KGE models fail
to adequately learn the semantics of QTs and entities, primarily because they
do not account for RDF-star graphs containing multi-leveled nested QTs and
QT-QT relationships. This study introduces RDF-star2Vec, a novel KGE model
specifically designed for RDF-star graphs. RDF-star2Vec introduces graph walk
techniques that enable probabilistic transitions between a QT and its
compositional entities. Feature vectors for QTs, entities, and relations are
derived from generated sequences through the structured skip-gram model.
Additionally, we provide a dataset and a benchmarking framework for data mining
tasks focused on complex RDF-star graphs. Evaluative experiments demonstrated
that RDF-star2Vec yielded superior performance compared to recent extensions of
RDF2Vec in various tasks including classification, clustering, entity
relatedness, and QT similarity.
- Abstract（参考訳）: リソース記述フレームワーク(RDF)のような知識グラフ(KG)は、トリプルの構造を通して様々なエンティティ間の関係を表す((<subject, predicate, object>)。
知識グラフ埋め込み(KGE)は、特にノード分類とリンク予測タスクにおいて機械学習アプリケーションにおいて重要である。
KGEはセマンティックウェブコミュニティにおいて重要な研究トピックである。
RDF-starは、引用三重項(QT)の概念を導入している。
さらに、RDF-starはQTを別のQT内で合成実体として機能させることで、ネスト構造を持つ再帰的超相対的KGの表現を可能にする。
しかし、既存のKGEモデルは、マルチレベルネストQTとQT-QT関係を含むRDF-スターグラフを考慮しないため、QTとエンティティのセマンティクスを適切に学習することができない。
本研究は,rdf-starグラフ用に設計された新しいkgeモデルであるrdf-star2vecを紹介する。
RDF-star2Vecはグラフウォーク技術を導入し、QTとその構成要素間の確率的遷移を可能にする。
QT、エンティティ、リレーションのための特徴ベクトルは、構造化スキップグラムモデルを通じて生成されたシーケンスから導出される。
さらに,複雑なrdf-starグラフに注目したデータマイニングタスクのためのデータセットとベンチマークフレームワークを提供する。
RDF-star2Vecは分類,クラスタリング,エンティティ関連性,QT類似性など,最近のRDF2Vecの拡張よりも優れた性能を示した。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Unleashing the Potential of Text-attributed Graphs: Automatic Relation Decomposition via Large Language Models [31.443478448031886]
RoSE (Relation-oriented Semantic Edge-Decomposition) は、生のテキスト属性を分析してグラフ構造を分解する新しいフレームワークである。
我々のフレームワークは、さまざまなデータセットのノード分類性能を大幅に向上させ、ウィスコンシンデータセットでは最大16%の改善を実現した。
論文 参考訳（メタデータ） (2024-05-28T20:54:47Z) - Graph Attention with Hierarchies for Multi-hop Question Answering [19.398300844233837]
本稿では,HotpotQAに対するSOTA Graph Neural Network(GNN)モデルの拡張について述べる。
HotpotQAの実験は、提案された修正の効率を実証している。
論文 参考訳（メタデータ） (2023-01-27T15:49:50Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Relational Graph Convolutional Neural Networks for Multihop Reasoning: A
Comparative Study [22.398477810999818]
マルチホップ質問回答(Multihop Question Answering)は、正しい答えを見つけるために推論のステップを必要とする複雑なタスクである。
本稿では, RGCNベースのマルチホップQAモデル, グラフ関係, ノード埋め込みについて検討し, WikiHopデータセット上でのマルチホップQA性能への影響を実証的に検討する。
論文 参考訳（メタデータ） (2022-10-12T17:13:30Z) - 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) - Skip Vectors for RDF Data: Extraction Based on the Complexity of Feature
Patterns [0.0]
Resource Description Framework(RDF)は、Web上のリソースの属性や関連性などのメタデータを記述するためのフレームワークである。
本研究では,近隣のエッジとノードの様々な組み合わせを抽出することにより,RDFグラフ内の各リソースの特徴を表す新しい特徴ベクトル(スキップベクトル)を提案する。
分類タスクは、SVM、k-nearest neighbors法、ニューラルネットワーク、ランダムフォレスト、AdaBoostなどの従来の機械学習アルゴリズムに、各リソースの低次元スキップベクトルを適用することで行うことができる。
論文 参考訳（メタデータ） (2022-01-06T10:07:49Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - 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。