論文の概要: Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2507.07595v1
• Date: Thu, 10 Jul 2025 09:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.349024
• Title: Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs
• Title（参考訳）: コンテキストプーリング:知識グラフにおけるジェネリックインダクティブリンク予測のためのクエリ固有グラフポーリング
• Authors: Zhixiang Su, Di Wang, Chunyan Miao,
• Abstract要約: 本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。 提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
• 参考スコア（独自算出の注目度）: 55.918039693545616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent investigations on the effectiveness of Graph Neural Network (GNN)-based models for link prediction in Knowledge Graphs (KGs) show that vanilla aggregation does not significantly impact the model performance. In this paper, we introduce a novel method, named Context Pooling, to enhance GNN-based models' efficacy for link predictions in KGs. To our best of knowledge, Context Pooling is the first methodology that applies graph pooling in KGs. Additionally, Context Pooling is first-of-its-kind to enable the generation of query-specific graphs for inductive settings, where testing entities are unseen during training. Specifically, we devise two metrics, namely neighborhood precision and neighborhood recall, to assess the neighbors' logical relevance regarding the given queries, thereby enabling the subsequent comprehensive identification of only the logically relevant neighbors for link prediction. Our method is generic and assessed by being applied to two state-of-the-art (SOTA) models on three public transductive and inductive datasets, achieving SOTA performance in 42 out of 48 settings.
• Abstract（参考訳）: 知識グラフ(KG)におけるリンク予測におけるグラフニューラルネットワーク(GNN)に基づくモデルの有効性に関する最近の研究は、バニラ集約がモデル性能に大きな影響を与えていないことを示している。 本稿では,KG におけるリンク予測における GNN モデルの有効性を高めるために,Context Pooling という新しい手法を提案する。 私たちの知る限りでは、コンテキストプールは、KGにグラフプーリングを適用する最初の方法論です。 さらに、Context Poolingは、トレーニング中にテストエンティティが見つからない誘導的な設定のためのクエリ固有のグラフを生成するために、第一級である。 具体的には,2つの指標,すなわち近所の精度と近所のリコールを考案し,与えられたクエリに対する隣人の論理的関連性を評価し,その後に関係のある隣人の論理的関連性のみを包括的に同定してリンク予測を行う。 提案手法は,3つのパブリックトランスダクティブおよびインダクティブデータセット上の2つの最先端(SOTA)モデルに適用され,48項目中42項目でSOTA性能が達成される。

関連論文リスト

• Graph Collaborative Attention Network for Link Prediction in Knowledge Graphs [0.0]
  我々は、マルチヘッドの注意を生かしたグラフニューラルネットワークモデルKBGATに着目し、局所的な近傍構造における実体的特徴と関係性の両方を共同で符号化する。 textbfGCAT(Graph Collaborative Attention Network)は,異種ノード間のコンテキストアグリゲーションとインタラクションを強化する改良されたモデルである。 本研究は,知識グラフ補完タスクにおいて,複雑なリレーショナルパターンをキャプチャする上で,注目に基づくアーキテクチャの利点を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2025-07-05T08:13:09Z)
• A Survey of Link Prediction in N-ary Knowledge Graphs [70.45498073833213]
  N-ary Knowledge Graphs (NKG) は、複雑な現実世界の事実を効率的に表現するために設計された知識グラフの一種である。 NKGsのリンク予測は、これらのn-ary事実の欠落要素を予測することを目的としている。 本稿ではNKGにおけるリンク予測の包括的調査について述べる。
  論文  参考訳（メタデータ） (2025-06-10T16:44:27Z)
• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価する統一的なフレームワークを提案し,二重埋め込みとデコーダ設計がリンクの有向予測性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Inductive Knowledge Graph Completion with GNNs and Rules: An Analysis [18.11743347414004]
  ルールベース手法はグラフニューラルネットワーク(GNN)に基づく最先端手法を著しく上回る 本稿では,前述の問題に対処することを目的としたルールベースアプローチのバリエーションについて検討する。 その結果,NBFNetに近い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-14T21:01:29Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• A Retrieve-and-Read Framework for Knowledge Graph Link Prediction [13.91545690758128]
  知識グラフ(KG)リンク予測は、KGの既存の事実に基づいて新しい事実を推測することを目的としている。 近年の研究では、グラフニューラルネットワーク(GNN)によるノードのグラフ近傍の利用は、単にクエリ情報を使用するよりも有用な情報を提供することが示された。 本稿では,まずクエリの関連部分グラフコンテキストを検索し,そのコンテキストとクエリを高容量の読者と共同で処理する新しい検索・読解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-19T18:50:54Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。