論文の概要: Start from Zero: Triple Set Prediction for Automatic Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2406.18166v1
- Date: Wed, 26 Jun 2024 08:26:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-27 14:08:51.632653
- Title: Start from Zero: Triple Set Prediction for Automatic Knowledge Graph Completion
- Title（参考訳）: ゼロから始める: 知識グラフの自動補完のためのトリプルセット予測
- Authors: Wen Zhang, Yajing Xu, Peng Ye, Zhiwei Huang, Zezhong Xu, Jiaoyan Chen, Jeff Z. Pan, Huajun Chen,
- Abstract要約: トリプルセット予測(TSP)と呼ばれるグラフレベルの自動KG補完タスクを提案する。
TSPは、欠落した三重項の要素が与えられていないと仮定する。
予測のための巨大な候補三重項に対処するために,新しい,効率的なサブグラフベースGPHTを提案する。
- 参考スコア（独自算出の注目度）: 49.19814695500355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graph (KG) completion aims to find out missing triples in a KG. Some tasks, such as link prediction and instance completion, have been proposed for KG completion. They are triple-level tasks with some elements in a missing triple given to predict the missing element of the triple. However, knowing some elements of the missing triple in advance is not always a realistic setting. In this paper, we propose a novel graph-level automatic KG completion task called Triple Set Prediction (TSP) which assumes none of the elements in the missing triples is given. TSP is to predict a set of missing triples given a set of known triples. To properly and accurately evaluate this new task, we propose 4 evaluation metrics including 3 classification metrics and 1 ranking metric, considering both the partial-open-world and the closed-world assumptions. Furthermore, to tackle the huge candidate triples for prediction, we propose a novel and efficient subgraph-based method GPHT that can predict the triple set fast. To fairly compare the TSP results, we also propose two types of methods RuleTensor-TSP and KGE-TSP applying the existing rule- and embedding-based methods for TSP as baselines. During experiments, we evaluate the proposed methods on two datasets extracted from Wikidata following the relation-similarity partial-open-world assumption proposed by us, and also create a complete family data set to evaluate TSP results following the closed-world assumption. Results prove that the methods can successfully generate a set of missing triples and achieve reasonable scores on the new task, and GPHT performs better than the baselines with significantly shorter prediction time. The datasets and code for experiments are available at https://github.com/zjukg/GPHT-for-TSP.
- Abstract（参考訳）: 知識グラフ(KG)の完成は、KGに欠けている三重項を見つけることを目的としている。
リンク予測やインスタンス完了といったタスクは、KG完了のために提案されている。
それらは三重レベルのタスクであり、三重の欠落要素を予測するために三重の欠落要素が与えられる。
しかし、事前に欠落している三重項のいくつかの要素を知ることは、必ずしも現実的な設定ではない。
本稿では,欠落した三重項の要素が与えられないことを前提として,Triple Set Prediction (TSP)と呼ばれるグラフレベルの自動KG補完タスクを提案する。
TSPは、既知の三重項の集合から欠落した三重項の集合を予測することである。
本課題を適切に正確に評価するために,3つの分類基準と1つのランキング基準を含む4つの評価指標を提案する。
さらに,予測のために巨大な候補三重項に挑戦するために,三重集合を高速に予測できる新しい,効率的な部分グラフベースのGPHTを提案する。
また,TSPをベースラインとして,既存のルールベースおよび埋め込みベースの手法を適用したルールテンソル-TSPとKGE-TSPの2種類の手法を提案する。
実験では, ウィキデータから抽出した2つのデータセットについて, 関係相似部分開世界仮定に従って評価し, 閉世界仮定に従ってTSP結果を評価するための完全な家族データセットを作成する。
その結果, 提案手法は, 欠落した三重項の集合の生成に成功し, 新たな課題に対して妥当なスコアを得ることができ, GPHTは予測時間を大幅に短縮し, ベースラインよりも優れた性能を示すことがわかった。
実験用のデータセットとコードはhttps://github.com/zjukg/GPHT-for-TSPで公開されている。
関連論文リスト
- Is Large Language Model Good at Triple Set Prediction? An Empirical Study [12.094218772036596]
このフレームワークは、LLMベースのルールマイニングとLLMベースのトリプルセット予測で構成されている。
実験結果から,LSMが欠落した三重項を予測するために大量の事実知識に従わなければならない場合,幻覚が顕著に発生し,性能が著しく低下することが示唆された。
論文 参考訳（メタデータ） (2024-12-24T14:03:07Z) - Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation [51.47994645529258]
Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。
本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
論文 参考訳（メタデータ） (2024-06-19T21:40:35Z) - Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect
Sentiment Triplet Extraction [63.0205418944714]
Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。
近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。
本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
論文 参考訳（メタデータ） (2023-12-18T12:46:09Z) - Implicit and Efficient Point Cloud Completion for 3D Single Object
Tracking [9.372859423951349]
適応リファイン予測(ARP)とターゲット知識伝達(TKT)の2つの新しいモジュールを紹介する。
本モデルでは,より少ない計算量を維持しながら,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-09-01T15:11:06Z) - A Review of Knowledge Graph Completion [0.0]
情報抽出法は構造化データや非構造化データからの3重抽出に有効であることが証明された。
現在の知識グラフのほとんどは不完全である。
下流タスクでKGを使用するためには、KGに欠けているリンクを予測することが望ましい。
論文 参考訳（メタデータ） (2022-08-24T16:42:59Z) - 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) - Deep Probabilistic Graph Matching [72.6690550634166]
本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。
提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
論文 参考訳（メタデータ） (2022-01-05T13:37:27Z) - A shallow neural model for relation prediction [2.2559617939136505]
本稿では,エンティティからの欠落関係を正確に推測する浅層神経モデル(shallom)を提案する。
本実験は、SHALLOMがFB15K-237およびWN18RRデータセットにおける最先端のアプローチを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-01-22T13:10:11Z) - Joint Entity and Relation Extraction with Set Prediction Networks [24.01964730210045]
我々は,結合実体と関係抽出を直接セット予測問題として扱う。
一定の順序で三重項を一つずつ生成する自己回帰アプローチとは異なり、提案したネットワークは1ショットで三重項の最終セットを直接出力する。
2つのベンチマークデータセットによる実験により,提案モデルが現在の最先端手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-11-03T13:04:31Z) - Regularized Densely-connected Pyramid Network for Salient Instance
Segmentation [73.17802158095813]
我々は、エンドツーエンドの有能なインスタンスセグメンテーション(SIS)のための新しいパイプラインを提案する。
ディープネットワークにおけるリッチな特徴階層をよりよく活用するために、正規化された高密度接続を提案する。
マスク予測を改善するために,新しいマルチレベルRoIAlignベースのデコーダを導入し,多レベル特徴を適応的に集約する。
論文 参考訳（メタデータ） (2020-08-28T00:13:30Z)
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。