論文の概要: Improving Multi-hop Logical Reasoning in Knowledge Graphs with Context-Aware Query Representation Learning
- arxiv url: http://arxiv.org/abs/2406.07034v1
- Date: Tue, 11 Jun 2024 07:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 17:04:09.910591
- Title: Improving Multi-hop Logical Reasoning in Knowledge Graphs with Context-Aware Query Representation Learning
- Title（参考訳）: 文脈認識型クエリ表現学習による知識グラフのマルチホップ論理推論の改善
- Authors: Jeonghoon Kim, Heesoo Jung, Hyeju Jang, Hogun Park,
- Abstract要約: 知識グラフのマルチホップ論理的推論は自然言語処理において重要な課題である。
本稿では,既存のマルチホップ論理推論手法の有効性を高めるモデルに依存しない手法を提案する。
提案手法は,3つのマルチホップ推論基盤モデルを継続的に強化し,最大19.5%の性能向上を実現している。
- 参考スコア（独自算出の注目度）: 3.7411114598484647
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-hop logical reasoning on knowledge graphs is a pivotal task in natural language processing, with numerous approaches aiming to answer First-Order Logic (FOL) queries. Recent geometry (e.g., box, cone) and probability (e.g., beta distribution)-based methodologies have effectively addressed complex FOL queries. However, a common challenge across these methods lies in determining accurate geometric bounds or probability parameters for these queries. The challenge arises because existing methods rely on linear sequential operations within their computation graphs, overlooking the logical structure of the query and the relation-induced information that can be gleaned from the relations of the query, which we call the context of the query. To address the problem, we propose a model-agnostic methodology that enhances the effectiveness of existing multi-hop logical reasoning approaches by fully integrating the context of the FOL query graph. Our approach distinctively discerns (1) the structural context inherent to the query structure and (2) the relation-induced context unique to each node in the query graph as delineated in the corresponding knowledge graph. This dual-context paradigm helps nodes within a query graph attain refined internal representations throughout the multi-hop reasoning steps. Through experiments on two datasets, our method consistently enhances the three multi-hop reasoning foundation models, achieving performance improvements of up to 19.5%. Our code is available at https://github.com/kjh9503/caqr.
- Abstract（参考訳）: 知識グラフに対するマルチホップ論理的推論は自然言語処理において重要な課題であり、FOL(First-Order Logic)クエリに答えるための多くのアプローチがある。
最近の幾何学(例えば、ボックス、コーン)と確率(例えば、ベータ分布)に基づく方法論は、複雑なFOLクエリに効果的に対処している。
しかし、これらの手法に共通する課題は、これらのクエリの正確な幾何学的境界や確率パラメータを決定することである。
この課題は、既存の手法が、クエリの論理構造と、クエリのコンテキストと呼ばれるクエリの関係から得られる関係性によって引き起こされる情報を見渡すことで、計算グラフ内の線形なシーケンシャルな操作に依存しているためである。
この問題を解決するために、FOLクエリグラフのコンテキストを完全に統合することにより、既存のマルチホップ論理推論手法の有効性を高めるモデルに依存しない手法を提案する。
提案手法は,(1)クエリ構造に固有の構造的コンテキスト,(2)クエリグラフの各ノードに固有の関係的コンテキストを,対応する知識グラフに記述したものとして識別する。
このデュアルコンテキストパラダイムは、クエリグラフ内のノードがマルチホップ推論ステップ全体を通して洗練された内部表現を実現するのに役立つ。
2つのデータセットの実験を通じて、我々の手法は3つのマルチホップ推論基盤モデルを一貫して強化し、最大19.5%の性能向上を実現した。
私たちのコードはhttps://github.com/kjh9503/caqr.comから入手可能です。
関連論文リスト
- Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。
近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。
コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
論文 参考訳（メタデータ） (2024-10-27T03:18:52Z) - Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。
我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。
関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-09-24T09:19:11Z) - Prompt-fused framework for Inductive Logical Query Answering [31.736934787328156]
本稿では,Pro-QEという問合せ対応のプロンプトフューズフレームワークを提案する。
論理的クエリにおける未知のエンティティの問題に,我々のモデルがうまく対処できることが示される。
論文 参考訳（メタデータ） (2024-03-19T11:30:30Z) - Query Structure Modeling for Inductive Logical Reasoning Over Knowledge
Graphs [67.043747188954]
KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。
線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。
2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
論文 参考訳（メタデータ） (2023-05-23T01:25:29Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳（メタデータ） (2023-04-14T11:35:35Z) - 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) - Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs [29.47155614953955]
そこで我々は,複雑な空間における回転により,クエリ領域を幾何学的円錐と代数的クエリ演算子として定義する新しいクエリ埋め込み手法RoConEを開発した。
いくつかのベンチマークデータセットに対する実験結果から,論理的問合せ処理の強化のための関係パターンの利点が確認された。
論文 参考訳（メタデータ） (2023-03-21T13:59:15Z) - Domain Specific Question Answering Over Knowledge Graphs Using Logical
Programming and Large Language Models [10.258158633354686]
我々のアプローチは古典論理型言語を大規模言語モデル(LLM)に統合する。
実験結果から,アノテートされた少数のデータを用いてトレーニングした場合でも,全ての質問に対して正解の正解を正確に同定できることが示唆された。
論文 参考訳（メタデータ） (2023-03-03T20:35:38Z) - 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) - 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)
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。