論文の概要: Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling

• arxiv url: http://arxiv.org/abs/2411.06191v1
• Date: Sat, 09 Nov 2024 14:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:36.230793
• Title: Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling
• Title（参考訳）: ハイパーリレーショナル知識グラフモデリングのためのハイパーエッジ拡張の一般化
• Authors: Yu Liu, Shu Yang, Jingtao Ding, Quanming Yao, Yong Li,
• Abstract要約: 3次元知識グラフ(KG)を一般化するハイパーリレーショナル知識グラフ(HKG)が近年注目されている。 HKGをモデル化するために、既存の研究は主に意味情報または構造情報に焦点を当てている。 本稿では、TransEQと呼ばれるHKGモデリングの等価変換を提案する。
• 参考スコア（独自算出の注目度）: 33.04380466268661
• License:
• Abstract: By representing knowledge in a primary triple associated with additional attribute-value qualifiers, hyper-relational knowledge graph (HKG) that generalizes triple-based knowledge graph (KG) has been attracting research attention recently. Compared with KG, HKG is enriched with the semantic qualifiers as well as the hyper-relational graph structure. However, to model HKG, existing studies mainly focus on either semantic information or structural information therein, which however fail to capture both simultaneously. To tackle this issue, in this paper, we generalize the hyperedge expansion in hypergraph learning and propose an equivalent transformation for HKG modeling, referred to as TransEQ. Specifically, the equivalent transformation transforms a HKG to a KG, which considers both semantic and structural characteristics. Then an encoder-decoder framework is developed to bridge the modeling research between KG and HKG. In the encoder part, KG-based graph neural networks are leveraged for structural modeling; while in the decoder part, various HKG-based scoring functions are exploited for semantic modeling. Especially, we design the sharing embedding mechanism in the encoder-decoder framework with semantic relatedness captured. We further theoretically prove that TransEQ preserves complete information in the equivalent transformation, and also achieves full expressivity. Finally, extensive experiments on three benchmarks demonstrate the superior performance of TransEQ in terms of both effectiveness and efficiency. On the largest benchmark WikiPeople, TransEQ significantly improves the state-of-the-art models by 15\% on MRR.
• Abstract（参考訳）: 付加的な属性値等式に関連付けられた一次三重項の知識を表現することで,三重項に基づく知識グラフ(KG)を一般化するハイパーリレーショナル知識グラフ(HKG)が近年注目されている。 KG と比較すると、HKG は意味的等化子とハイパーリレーショナルグラフ構造に富む。 しかし、HKGをモデル化するためには、既存の研究は主に意味情報または構造情報に重点を置いている。 本稿では,ハイパーグラフ学習におけるハイパーエッジ拡張を一般化し,TransEQと呼ばれるHKGモデリングの等価変換を提案する。 具体的には、等価変換は、意味的特性と構造的特性の両方を考慮したHKGをKGに変換する。 次に、KGとHKGのモデリング研究を橋渡しするエンコーダデコーダフレームワークを開発する。 エンコーダ部では、構造モデリングにKGベースのグラフニューラルネットワークを活用し、デコーダ部では、セマンティックモデリングに様々なHKGベースのスコアリング関数を利用する。 特に,エンコーダ・デコーダ・フレームワークにおける意味的関連性を考慮した共有埋め込み機構を設計する。 さらに理論的には、TransEQは等価な変換において完全な情報を保持し、完全な表現性も達成する。 最後に、3つのベンチマークに関する広範な実験により、TransEQの有効性と効率の両面において優れた性能を示す。 最大のベンチマーク WikiPeople では、TransEQ は最先端のモデルを MRR で 15 % 改善している。

関連論文リスト

• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• Cardinality Estimation on Hyper-relational Knowledge Graphs [19.30637362876516]
  クエリのカーディナリティ推定(CE)は、実行せずに結果の数を推定することである。 現在の研究者は、高関係KGs (HKGs) を、3つの事実を等化子で表すために提案している。 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。
  論文  参考訳（メタデータ） (2024-05-24T05:44:43Z)
• HAHE: Hierarchical Attention for Hyper-Relational Knowledge Graphs in Global and Local Level [7.96433065992062]
  ハイパーリレーショナル知識グラフ(HKG)のリンク予測は、価値のある取り組みである。 本稿では,HKG 埋め込み (HAHE) のための階層型アテンションモデルを提案する。 実験結果から,HAHEはHKG標準データセット上のリンク予測タスクにおいて,最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2023-05-11T05:59:31Z)
• Pre-training Transformers for Knowledge Graph Completion [81.4078733132239]
  知識グラフの伝達可能な表現を学習するための新しい帰納的KG表現モデル(iHT)を提案する。 iHT はエンティティエンコーダ (BERT など) と、Transformer によってパラメータ化される隣り合うリレーショナルスコアリング関数からなる。 提案手法は,従来のSOTAモデルに比べて25%以上の相対的相互ランクの改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T02:10:37Z)
• DHGE: Dual-View Hyper-Relational Knowledge Graph Embedding for Link Prediction and Entity Typing [1.2932412290302255]
  本稿では、エンティティのハイパーリレーショナルインスタンスビューと、エンティティから階層的に抽象化された概念のハイパーリレーショナルビューを含むデュアルビューハイパーリレーショナルKG構造(DH-KG)を提案する。 本稿では、DH-KG上のリンク予測とエンティティ型付けタスクを初めて定義し、医療データに基づいてWikidataから抽出された2つのDH-KGデータセットJW44K-6KとHTDMを構築した。
  論文  参考訳（メタデータ） (2022-07-18T12:44:59Z)
• 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)
• Sequence-to-Sequence Knowledge Graph Completion and Question Answering [8.207403859762044]
  既製のエンコーダ・デコーダ変換器モデルは,スケーラブルで汎用的なKGEモデルとして機能することを示す。 我々は,KGリンク予測をシーケンス・ツー・シーケンス・タスクとして用い,従来のKGE手法による3つのスコアリングアプローチを自己回帰復号化と交換することで,これを実現する。
  論文  参考訳（メタデータ） (2022-03-19T13:01:49Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。