論文の概要: MuCo-KGC: Multi-Context-Aware Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2503.03091v1
• Date: Wed, 05 Mar 2025 01:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:52:43.656210
• Title: MuCo-KGC: Multi-Context-Aware Knowledge Graph Completion
• Title（参考訳）: MuCo-KGC: マルチコンテキスト対応の知識グラフ補完
• Authors: Haji Gul, Ajaz Ahmad Bhat, Abdul Ghani Haji Naim,
• Abstract要約: Multi-Context-Aware Knowledge Graph Completion (MuCo-KGC) は、グラフ内のリンクされたエンティティや関係からのコンテキスト情報を利用して、テールエンティティを予測する新しいモデルである。 MuCo-KGCは、エンティティ記述と負の三重項サンプリングの必要性を排除し、性能を高めながら計算の複雑さを著しく低減する。 FB15k-237、WN18RR、CoDEx-S、CoDEx-Mなどの標準データセットに関する実験は、MuCo-KGCが3つのデータセット上で最先端の手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Knowledge graph completion (KGC) seeks to predict missing entities (e.g., heads or tails) or relationships in knowledge graphs (KGs), which often contain incomplete data. Traditional embedding-based methods, such as TransE and ComplEx, have improved tail entity prediction but struggle to generalize to unseen entities during testing. Textual-based models mitigate this issue by leveraging additional semantic context; however, their reliance on negative triplet sampling introduces high computational overhead, semantic inconsistencies, and data imbalance. Recent approaches, like KG-BERT, show promise but depend heavily on entity descriptions, which are often unavailable in KGs. Critically, existing methods overlook valuable structural information in the KG related to the entities and relationships. To address these challenges, we propose Multi-Context-Aware Knowledge Graph Completion (MuCo-KGC), a novel model that utilizes contextual information from linked entities and relations within the graph to predict tail entities. MuCo-KGC eliminates the need for entity descriptions and negative triplet sampling, significantly reducing computational complexity while enhancing performance. Our experiments on standard datasets, including FB15k-237, WN18RR, CoDEx-S, and CoDEx-M, demonstrate that MuCo-KGC outperforms state-of-the-art methods on three datasets. Notably, MuCo-KGC improves MRR on WN18RR, and CoDEx-S and CoDEx-M datasets by $1.63\%$, and $3.77\%$ and $20.15\%$ respectively, demonstrating its effectiveness for KGC tasks.
• Abstract（参考訳）: 知識グラフ補完(KGC)は、しばしば不完全なデータを含む知識グラフ(KG)の欠落した実体(例えば、頭や尾)や関係を予測しようとする。 TransEやComplExといった従来の埋め込みベースの手法は、テールエンティティ予測を改善したが、テスト中に見えないエンティティに一般化するのに苦労している。 テキストベースのモデルは、追加のセマンティックコンテキストを活用することでこの問題を軽減するが、負の三重項サンプリングへの依存は、高い計算オーバーヘッド、意味的不整合、データの不均衡をもたらす。 KG-BERTのような最近のアプローチは、約束を示すが、しばしばKGでは利用できないエンティティ記述に大きく依存する。 批判的に、既存の手法は、エンティティや関係に関連するKGの貴重な構造情報を見落としている。 これらの課題に対処するため、我々は、グラフ内の関連エンティティや関係からのコンテキスト情報を利用して、末尾エンティティを予測する新しいモデルであるMulti-Context-Aware Knowledge Graph Completion (MuCo-KGC)を提案する。 MuCo-KGCは、エンティティ記述と負の三重項サンプリングの必要性を排除し、性能を高めながら計算の複雑さを著しく低減する。 FB15k-237、WN18RR、CoDEx-S、CoDEx-Mなどの標準データセットに関する実験は、MuCo-KGCが3つのデータセット上で最先端の手法より優れていることを示した。 特に、MuCo-KGCはWN18RR上のMRRとCoDEx-SとCoDEx-Mのデータセットをそれぞれ1.63 %$、3.77 %$と20.15 %$で改善し、KGCタスクの有効性を示している。

関連論文リスト

• How to Mitigate Information Loss in Knowledge Graphs for GraphRAG: Leveraging Triple Context Restoration and Query-Driven Feedback [12.250007669492753]
  本稿では,Triple Context RestorationとQuery-driven Feedbackフレームワークを提案する。 情報損失を軽減するために、各トリプルの基盤となるテキストコンテキストを再構築する。 Exact Matchの29.1%の改善とF1の15.5%の改善を実現している。
  論文  参考訳（メタデータ） (2025-01-26T03:27:11Z)
• 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)
• Efficient Relational Context Perception for Knowledge Graph Completion [25.903926643251076]
  知識グラフ(KG)は知識の構造化された表現を提供するが、しばしば不完全性の課題に悩まされる。 従来の知識グラフ埋め込みモデルは、表現力のある特徴を捉える能力に制限がある。 逐次情報をモデル化し,動的文脈の学習を可能にする三重受容アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T11:25:58Z)
• A Contextualized BERT model for Knowledge Graph Completion [0.0]
  知識グラフ補完(KGC)のためのコンテキスト化BERTモデルを提案する。 本モデルでは,エンティティ記述や負の三重項サンプリングの必要性を排除し,計算要求を低減し,性能を向上する。 FB15k-237とWN18RRでは,Hit@1が5.3%向上し,4.88%向上した。
  論文  参考訳（メタデータ） (2024-12-15T02:03:16Z)
• 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)
• Multi-perspective Improvement of Knowledge Graph Completion with Large Language Models [95.31941227776711]
  我々は,文脈知識の不足を補うMPIKGCを提案し,大規模言語モデル(LLM)をクエリすることでKGCを改善する。 我々は4つの記述に基づくKGCモデルと4つのデータセットに基づくフレームワークの広範囲な評価を行い、リンク予測とトリプルト分類のタスクについて検討した。
  論文  参考訳（メタデータ） (2024-03-04T12:16:15Z)
• KERMIT: Knowledge Graph Completion of Enhanced Relation Modeling with Inverse Transformation [19.31783654838732]
  大規模言語モデルを用いてコヒーレントな記述を生成し,クエリと回答のセマンティックなギャップを埋める。 また、逆関係を利用して対称グラフを作成し、KGCのための強化トレーニングサンプルを提供する。 提案手法は,WN18RRではHit@1が4.2%,FB15k-237ではHit@3が3.4%向上し,優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-26T09:03:25Z)
• Few-Shot Inductive Learning on Temporal Knowledge Graphs using Concept-Aware Information [31.10140298420744]
  時間的知識グラフ(TKG)のための数発のアウト・オブ・グラフ(OOG)リンク予測タスクを提案する。 メタラーニングフレームワークを用いて、未知のエンティティに関するリンクから、欠落したエンティティを予測する。 我々のモデルは3つのデータセットすべてにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2022-11-15T14:23:07Z)
• 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)
• 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)
• KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization and Completion [99.47414073164656]
  包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。 2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。 我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
  論文  参考訳（メタデータ） (2020-04-28T16:21:57Z)

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。