論文の概要: Cardinality Estimation on Hyper-relational Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2405.15231v2
• Date: Wed, 05 Feb 2025 06:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:24:42.908263
• Title: Cardinality Estimation on Hyper-relational Knowledge Graphs
• Title（参考訳）: ハイパーリレーショナル知識グラフによる心性評価
• Authors: Fei Teng, Haoyang Li, Shimin Di, Lei Chen,
• Abstract要約: 3つの事実を持つ知識グラフ(KG)上のクエリに対する心的推定(CE)は大きな成功を収めた。 しかし、KGs上のサンプリングや要約などの既存のCEメソッドは、HKGsに対して不満足に実行する。 本稿では,複数のGNN層からの出力を適応的に結合し,修飾器情報を効果的に組み込んだグラフニューラルネットワーク(GNN)モデルを提案する。
• 参考スコア（独自算出の注目度）: 19.30637362876516
• License:
• Abstract: Cardinality Estimation (CE) for query is to estimate the number of results without execution, which is an effective index in query optimization. Recently, CE for queries over knowlege graph (KGs) with triple facts has achieved great success. To more precisely represent facts, current researchers propose hyper-relational KGs (HKGs) to represent a triple fact with qualifiers providing additional context to the fact. However, existing CE methods, such as sampling and summary methods over KGs, perform unsatisfactorily on HKGs due to the complexity of qualifiers. Learning-based CE methods do not utilize qualifier information to learn query representation accurately, leading to poor performance. Also, there is only one limited CE benchmark for HKG query, which is not comprehensive and only covers limited patterns. The lack of querysets over HKG also becomes a bottleneck to comprehensively investigate CE problems on HKGs. In this work, we first construct diverse and unbiased hyper-relational querysets over three popular HKGs for investigating CE. Besides, we also propose a novel qualifier-aware graph neural network (GNN) model that effectively incorporates qualifier information and adaptively combines outputs from multiple GNN layers, to accurately predict the cardinality. Our experiments demonstrate that our model outperforms all state-of-the-art CE methods over three benchmarks on popular HKGs.
• Abstract（参考訳）: クエリーのカーディナリティ推定(CE)は、クエリー最適化において有効な指標である実行せずに結果の数を推定することである。 近年,3つの事実を持つ知識グラフ (KG) 上のクエリに対するCEは大きな成功を収めている。 事実をより正確に表現するために、現在の研究者は、3つの事実を表すために超相対的KG(英語版)(HKG)を提案している。 しかし、KGs上のサンプリング法や要約法のような既存のCE法は、修飾子の複雑さのため、HKGsに対して不満足に実行する。 学習に基づくCE法では、クエリ表現を正確に学習するために修飾子情報を使用しないため、性能は低下する。 また、HKGクエリのCEベンチマークは1つしかなく、包括的なものではなく、限られたパターンのみをカバーする。 HKG上のクエリセットの欠如も、HKG上のCE問題を包括的に調査するボトルネックとなっている。 そこで本研究では,CEを調査するための3つの一般的なHKGに対して,多種多様かつ偏りのないハイパーリレーショナルクエリセットを構築した。 さらに,複数のGNN層からの出力を適応的に結合し,その濃度を正確に予測する,修飾器対応グラフニューラルネットワーク(GNN)モデルを提案する。 実験により,我々のモデルは,HKGの3つのベンチマークにおいて,最先端のCEメソッドよりも優れていることが示された。

関連論文リスト

• KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models [55.39134076436266]
  KG-CFはランキングベースの知識グラフ補完タスクに適したフレームワークである。 KG-CFは、LLMの推論能力を活用して、無関係なコンテキストをフィルタリングし、現実世界のデータセットで優れた結果を得る。
  論文  参考訳（メタデータ） (2025-01-06T01:52:15Z)
• Complex Logical Query Answering by Calibrating Knowledge Graph Completion Models [7.051174443949839]
  複雑な論理的クエリ応答タスクは、不完全知識グラフ上の複雑な論理的クエリに対する応答エンティティを見つけることを含む。 これまでの研究では、KGに欠けている事実を予測できる事前学習知識グラフ補完(KGC)モデルの使用について検討されてきた。 そこで本研究では,複雑な論理的クエリに適応可能なKGCモデルのキャリブレーション手法であるCKGCを提案する。
  論文  参考訳（メタデータ） (2024-09-30T06:51:50Z)
• GS-KGC: A Generative Subgraph-based Framework for Knowledge Graph Completion with Large Language Models [7.995716933782121]
  我々は textbfGenerative textbfSubgraph-based KGC (GS-KGC) と呼ばれる新しい補完フレームワークを提案する。 このフレームワークは、主に負と隣人を生成するように設計された部分グラフ分割アルゴリズムを含んでいる。 4つの共通のKGCデータセットで実施された実験は、提案されたGS-KGCの利点を強調している。
  論文  参考訳（メタデータ） (2024-08-20T13:13:41Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Cardinality Estimation over Knowledge Graphs with Embeddings and Graph Neural Networks [0.552480439325792]
  KG(Cardinality Estimation over Knowledge Graphs)は、クエリ最適化において重要である。 本稿では,知識グラフ埋め込みとグラフニューラルネットワーク(GNN)を活用して,結合クエリの濃度を正確に予測する新しい手法であるGNCEを提案する。
  論文  参考訳（メタデータ） (2023-03-02T10:39:13Z)
• KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
  KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。 実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
  論文  参考訳（メタデータ） (2022-08-23T15:11:45Z)
• GreenKGC: A Lightweight Knowledge Graph Completion Method [32.528770408502396]
  GreenKGCは、知識グラフ内のエンティティ間の欠落した関係を見つけることを目的としている。 表現学習、特徴抽出、決定学習の3つのモジュールで構成されている。 低次元では、GreenKGCはほとんどのデータセットでSOTAメソッドより優れている。
  論文  参考訳（メタデータ） (2022-08-19T03:33:45Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• 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)
• 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)
• Improving Hyper-Relational Knowledge Graph Completion [35.487553537419224]
  hyper-relational kgs (hkgs) により、トリプレットはより複雑な情報を伝えるために、追加の関係関係対(a qualifiers)と関連付けることができる。 HKG完了のような予測タスクに対する三重項修飾子関係を効果的かつ効率的にモデル化する方法は、研究にとってオープンな課題である。 本稿では, 2つの新しい改訂点を導入することにより, hkg補完における最善の手法である stare の改良を提案する。
  論文  参考訳（メタデータ） (2021-04-16T15:26:41Z)

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。