論文の概要: SpherE: Expressive and Interpretable Knowledge Graph Embedding for Set Retrieval
- arxiv url: http://arxiv.org/abs/2404.19130v1
- Date: Mon, 29 Apr 2024 22:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 16:03:12.842840
- Title: SpherE: Expressive and Interpretable Knowledge Graph Embedding for Set Retrieval
- Title(参考訳): SpherE: 集合検索のための表現的で解釈可能な知識グラフ
- Authors: Zihao Li, Yuyi Ao, Jingrui He,
- Abstract要約: 集合検索は多対多関係の表現的モデリングに大きく依存していることを示す。
この問題に対処する新しいKG埋め込みモデルSpherEを提案する。
我々のSpherEは、一対多、多対一、多対多の関係をより表現的にモデル化することができる。
- 参考スコア(独自算出の注目度): 40.250677256048576
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge graphs (KGs), which store an extensive number of relational facts (head, relation, tail), serve various applications. While many downstream tasks highly rely on the expressive modeling and predictive embedding of KGs, most of the current KG representation learning methods, where each entity is embedded as a vector in the Euclidean space and each relation is embedded as a transformation, follow an entity ranking protocol. On one hand, such an embedding design cannot capture many-to-many relations. On the other hand, in many retrieval cases, the users wish to get an exact set of answers without any ranking, especially when the results are expected to be precise, e.g., which genes cause an illness. Such scenarios are commonly referred to as "set retrieval". This work presents a pioneering study on the KG set retrieval problem. We show that the set retrieval highly depends on expressive modeling of many-to-many relations, and propose a new KG embedding model SpherE to address this problem. SpherE is based on rotational embedding methods, but each entity is embedded as a sphere instead of a vector. While inheriting the high interpretability of rotational-based models, our SpherE can more expressively model one-to-many, many-to-one, and many-to-many relations. Through extensive experiments, we show that our SpherE can well address the set retrieval problem while still having a good predictive ability to infer missing facts. The code is available at https://github.com/Violet24K/SpherE.
- Abstract(参考訳): 知識グラフ(KG)は、多くの関係事実(頭、関係、尾)を格納し、様々な応用を提供する。
多くの下流タスクはKGの表現的モデリングと予測的埋め込みに強く依存しているが、現在のKG表現学習手法のほとんどは、各エンティティがユークリッド空間のベクトルとして埋め込まれ、各関係が変換として埋め込まれ、エンティティランキングプロトコルに従う。
一方、そのような埋め込み設計は多対多の関係を捉えることはできない。
一方、多くの検索ケースでは、検索結果が正確であると期待される場合、特に遺伝子が病気の原因となるような場合に、ユーザはランキングなしで正確な回答を得られることを望んでいる。
このようなシナリオは一般に「セット検索」と呼ばれる。
本研究は,KG集合探索問題に関する先駆的な研究である。
集合検索は多対多関係の表現的モデリングに大きく依存していることを示し、この問題に対処する新しいKG埋め込みモデルSpherEを提案する。
SpherEは回転埋め込み法に基づいているが、各実体はベクトルの代わりに球体として埋め込まれる。
回転型モデルの高い解釈可能性を引き継ぐ一方で、我々のSpherEは1対マニー、多対マニー、多対マニーの関係をより表現的にモデル化することができる。
広範にわたる実験により,我々のSpherEは,不足した事実を推測する優れた予測能力を持ちながら,設定された検索問題にうまく対処できることを示した。
コードはhttps://github.com/Violet24K/SpherEで公開されている。
関連論文リスト
- Multi-hop Question Answering over Knowledge Graphs using Large Language Models [1.8130068086063336]
複数のホップを含む知識グラフに答える能力(LLM)を評価する。
我々は、KGのサイズや性質によって、関連する情報をLLMに抽出し、供給するために異なるアプローチが必要であることを示す。
論文 参考訳(メタデータ) (2024-04-30T03:31:03Z) - Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-10-26T08:36:39Z) - Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。
既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。
テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
論文 参考訳(メタデータ) (2022-11-18T03:51:28Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳(メタデータ) (2022-02-22T01:34:35Z) - 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) - Self-Supervised Hyperboloid Representations from Logical Queries over
Knowledge Graphs [18.92547855877845]
知識グラフ(kgs)は、web検索、eコマース、ソーシャルネットワーク、生物学といった現実世界のアプリケーションにおいて、情報ストレージのためのユビキタスな構造である。
表現学習を,翻訳,交叉,結合問合せをkgs上で利用する自己教師付き論理問合せ推論問題として定式化する。
我々は,KG上の正の1次存在条件を用いて,その実体と関係をポインカーボール内のハイパーボロイドとして学習する,新しい自己教師型動的推論フレームワークであるHyperboloid Embeddings (HypE)を提案する。
論文 参考訳(メタデータ) (2020-12-23T23:19:00Z) - Message Passing Query Embedding [4.035753155957698]
本稿では,クエリのグラフ表現を符号化するグラフニューラルネットワークを提案する。
モデルは、明示的な監督なしにエンティティタイプの概念を捉えたエンティティ埋め込みを学習することを示します。
論文 参考訳(メタデータ) (2020-02-06T17:40:01Z)
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。