論文の概要: A Pluggable Common Sense-Enhanced Framework for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2410.04488v1
• Date: Sun, 6 Oct 2024 14:06:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 07:06:24.960549
• Title: A Pluggable Common Sense-Enhanced Framework for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ補完のためのプラガブル・コモンセンス強化フレームワーク
• Authors: Guanglin Niu, Bo Li, Siling Feng,
• Abstract要約: 我々は,KGCの事実と常識の両方を組み込んだ,プラガブル・コモンセンス強化型KGCフレームワークを提案する。 このフレームワークは、エンティティ概念の豊かさに基づいて異なるKGに適応可能であり、明示的あるいは暗黙的な常識を自動的に生成する能力を持っている。 我々のアプローチは、多くの知識グラフ埋め込み(KGE)モデルのためのプラグイン可能なモジュールとして統合することができる。
• 参考スコア（独自算出の注目度）: 9.686794547679076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph completion (KGC) tasks aim to infer missing facts in a knowledge graph (KG) for many knowledge-intensive applications. However, existing embedding-based KGC approaches primarily rely on factual triples, potentially leading to outcomes inconsistent with common sense. Besides, generating explicit common sense is often impractical or costly for a KG. To address these challenges, we propose a pluggable common sense-enhanced KGC framework that incorporates both fact and common sense for KGC. This framework is adaptable to different KGs based on their entity concept richness and has the capability to automatically generate explicit or implicit common sense from factual triples. Furthermore, we introduce common sense-guided negative sampling and a coarse-to-fine inference approach for KGs with rich entity concepts. For KGs without concepts, we propose a dual scoring scheme involving a relation-aware concept embedding mechanism. Importantly, our approach can be integrated as a pluggable module for many knowledge graph embedding (KGE) models, facilitating joint common sense and fact-driven training and inference. The experiments illustrate that our framework exhibits good scalability and outperforms existing models across various KGC tasks.
• Abstract（参考訳）: 知識グラフ補完(KGC)タスクは、知識集約的な多くのアプリケーションのための知識グラフ(KG)において、行方不明な事実を推測することを目的としている。 しかし、既存の埋め込みベースのKGCアプローチは、主に事実のトリプルに依存しており、一般的な感覚と矛盾する結果をもたらす可能性がある。 さらに、明示的な共通感覚を生成することは、しばしばKGにとって実用的または費用がかかる。 これらの課題に対処するため、我々は、KGCの事実と常識の両方を組み込んだプラグイン可能な共通感覚強化KGCフレームワークを提案する。 このフレームワークは、実体概念の豊かさに基づいて異なるKGに適応し、実三重項から明示的または暗黙的な常識を自動的に生成する能力を有する。 さらに、一般的な感覚誘導型負サンプリングと、リッチな実体概念を持つKGに対する粗大な推論手法を導入する。 概念を持たないKGに対して、関係認識型概念埋め込み機構を含む二重スコアリング方式を提案する。 重要なことは、我々のアプローチは、多くの知識グラフ埋め込み(KGE)モデルのためのプラグイン可能なモジュールとして統合することができ、共同で常識とファクトドリブンなトレーニングと推論を容易にすることである。 実験により、我々のフレームワークは優れたスケーラビリティを示し、様々なKGCタスクで既存のモデルより優れています。

関連論文リスト

• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• Knowledge Graph Context-Enhanced Diversified Recommendation [53.3142545812349]
  本研究では,知識グラフ(KG)の複雑な文脈における多角化RecSys領域について検討する。 私たちのコントリビューションには、革新的なメトリック、エンティティカバレッジ、KGドメイン内の多様性を効果的に定量化するリレーショナルカバレッジの導入が含まれています。 そこで本稿では,文脈整合性を維持しつつ,KG項目の埋め込みを符号化するCAU(Conditional Alignment and Uniformity)という新しい手法を紹介する。
  論文  参考訳（メタデータ） (2023-10-20T03:18:57Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• A Probabilistic-Logic based Commonsense Representation Framework for Modelling Inferences with Multiple Antecedents and Varying Likelihoods [5.87677276882675]
  コモンセンス・ナレッジグラフ(英: Commonsense knowledge-graphs、CKG)は、テキストや環境入力で「推論」でき、知覚を超えた推論ができる機械を構築するための重要なリソースである。 本研究は,コモンセンス知識の表現方法として, (i) 複合的推論知識をモデル化し,様々な可能性で概念的信念を表現するための確率論的論理表現スキーム, (ii) 健全な概念関連関係を同定し,異なる概念レベルで信念を整理する階層的概念オントロジーを取り入れることにより, コモンセンス知識をより良く表現することができるかを検討する。
  論文  参考訳（メタデータ） (2022-11-30T08:44:30Z)
• 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)
• Knowledge Graph Embedding in E-commerce Applications: Attentive Reasoning, Explanations, and Transferable Rules [18.63983271518707]
  リンク予測やルール誘導といった推論タスクは知識グラフの開発において重要である。 知識グラフ埋め込み(KGE)は、連続ベクトル空間へのKGの実体と関係を埋め込むことが効率的かつ堅牢であることが証明されている。 しかし、KGEを実作業アプリケーションに適用し、デプロイする可能性や実現可能性については、十分に調査されていない。
  論文  参考訳（メタデータ） (2021-12-16T03:26:36Z)
• EngineKGI: Closed-Loop Knowledge Graph Inference [37.15381932994768]
  EngineKGIは、新しいクローズドループKG推論フレームワークである。 KGEとルール学習を組み合わせて、クローズドループパターンで相互に補完する。 我々のモデルはリンク予測タスクにおいて、他のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T08:02:59Z)
• Towards Robust Knowledge Graph Embedding via Multi-task Reinforcement Learning [44.38215560989223]
  既存の知識グラフ埋め込み法の多くは、KGの3つの事実はすべて正しいと仮定する。 これはKGの低品質かつ信頼性の低い表現につながる。 本稿では,ノイズの多いデータ問題を大幅に軽減できる汎用マルチタスク強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-11T08:51:37Z)
• On the Role of Conceptualization in Commonsense Knowledge Graph Construction [59.39512925793171]
  アトミックやASERのような常識知識グラフ(CKG)は、従来のKGと大きく異なる。 本稿では, CKG の概念化手法を紹介し, テキストに記述されたエンティティを特定の概念のインスタンスとみなすか, あるいはその逆を例に紹介する。 提案手法は, 可塑性三重項を効果的に同定し, 新たなノードの3重項と, 多様性と新規性の両端項によってKGを拡張できる。
  論文  参考訳（メタデータ） (2020-03-06T14:35:20Z)

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。