論文の概要: Context-Driven Knowledge Graph Completion with Semantic-Aware Relational Message Passing

• arxiv url: http://arxiv.org/abs/2506.23141v1
• Date: Sun, 29 Jun 2025 08:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.739607
• Title: Context-Driven Knowledge Graph Completion with Semantic-Aware Relational Message Passing
• Title（参考訳）: セマンティック・アウェア・リレーショナル・メッセージ・パッシングを用いたコンテキスト駆動型知識グラフ補完
• Authors: Siyuan Li, Ruitong Liu, Yan Wen, Te Sun,
• Abstract要約: 三重項 $(h, r, t)$ を取り巻く意味的文脈は知識グラフ補完(KGC)にとって不可欠である 従来のノードベースのメッセージパッシング機構は、しばしばノイズを導入し、情報の希釈や過度な平滑化に悩まされる。 セマンティック・アウェア・リレーショナル・メッセージ・パッシング・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.480268023065747
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semantic context surrounding a triplet $(h, r, t)$ is crucial for Knowledge Graph Completion (KGC), providing vital cues for prediction. However, traditional node-based message passing mechanisms, when applied to knowledge graphs, often introduce noise and suffer from information dilution or over-smoothing by indiscriminately aggregating information from all neighboring edges. To address this challenge, we propose a semantic-aware relational message passing. A core innovation of this framework is the introduction of a \textbf{semantic-aware Top-K neighbor selection strategy}. Specifically, this strategy first evaluates the semantic relevance between a central node and its incident edges within a shared latent space, selecting only the Top-K most pertinent ones. Subsequently, information from these selected edges is effectively fused with the central node's own representation using a \textbf{multi-head attention aggregator} to generate a semantically focused node message. In this manner, our model not only leverages the structure and features of edges within the knowledge graph but also more accurately captures and propagates the contextual information most relevant to the specific link prediction task, thereby effectively mitigating interference from irrelevant information. Extensive experiments demonstrate that our method achieves superior performance compared to existing approaches on several established benchmarks.
• Abstract（参考訳）: 三重項 $(h, r, t)$ を取り巻く意味的文脈は知識グラフ補完(KGC)にとって不可欠であり、予測のための重要な手がかりを提供する。 しかし、ナレッジグラフに適用された従来のノードベースのメッセージパッシング機構は、しばしばノイズを導入し、近隣のすべてのエッジから情報を無差別に集約することで、情報の希薄化や過度なスムース化に苦しむ。 この課題に対処するために,意味対応型リレーショナルメッセージパッシングを提案する。 このフレームワークの中核となる革新は、textbf{semantic-aware Top-K neighbor selection strategy}の導入である。 具体的には、まず中央ノードとその入射エッジ間の意味的関連性を共有潜在空間内で評価し、Top-Kのみを選択する。 その後、これらの選択されたエッジからの情報は、textbf{multi-head attention aggregator} を使用して、中央ノード自身の表現と効果的に融合し、意味的に焦点を絞ったノードメッセージを生成する。 このように,本モデルでは,知識グラフ内のエッジの構造や特徴を活用するだけでなく,特定のリンク予測タスクに関連するコンテキスト情報をより正確に把握し,伝播することにより,非関連情報からの干渉を効果的に軽減する。 大規模な実験により,提案手法はいくつかの確立されたベンチマークにおける既存手法と比較して優れた性能を示した。

関連論文リスト

• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Semantic Communication Enhanced by Knowledge Graph Representation Learning [11.68356846628016]
  本稿では,意味的コミュニケーションの新たなパラダイムにおいて,グラフに抽出された意味的知識の表現と処理の利点について検討する。 本稿では,無線チャネルを通じてノード埋め込みと等価な意味記号を送信し,受信側で完全な知識グラフを推測する。
  論文  参考訳（メタデータ） (2024-07-27T20:57:10Z)
• Unified Lattice Graph Fusion for Chinese Named Entity Recognition [9.863877505377165]
  中国語のエンティティ認識のための統一格子グラフ融合(ULGF)手法を提案する。 ノード表現を学習するために反復的にセマンティックな相互作用を実行する複数のグラフベースのイントラソース自己アテンションとソース間相互ゲージ融合層を積み重ねる。
  論文  参考訳（メタデータ） (2023-12-28T09:31:25Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Performance Optimization for Semantic Communications: An Attention-based Reinforcement Learning Approach [187.4094332217186]
  テキストデータ伝送のためのセマンティック通信フレームワークを提案する。 回復したテキストの意味的精度と完全性を共同でキャプチャする意味的類似度尺度(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-08-17T11:39:16Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks [11.540329725077843]
  本研究では,グラフ全体からのグローバル情報を用いた静的表現学習手法をブリッジするフレームワークであるSLiCEを開発する。 まず、上位のセマンティックアソシエーションやマスキングノードを導入し、自己教師付きでモデルを事前訓練する。 また、セマンティックアソシエーション行列を解釈し、ネットワーク内の異種ノード間のリンク予測を成功させるために、その有用性と関連性を提供する。
  論文  参考訳（メタデータ） (2020-07-22T03:48:53Z)

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。