論文の概要: Understanding the Embedding Models on Hyper-relational Knowledge Graph
- arxiv url: http://arxiv.org/abs/2508.03280v1
- Date: Tue, 05 Aug 2025 09:59:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.902491
- Title: Understanding the Embedding Models on Hyper-relational Knowledge Graph
- Title（参考訳）: ハイパーリレーショナル知識グラフを用いた埋め込みモデルの理解
- Authors: Yubo Wang, Shimin Di, Zhili Wang, Haoyang Li, Fei Teng, Hao Xin, Lei Chen,
- Abstract要約: ハイパーリレーショナル知識グラフ(HKG)は、従来の知識グラフ(KG)の拡張として提案されている。
3つの分解法を用いてHKGをKG形式に変換する。
HKG上でのいくつかの古典的KGEモデルの性能を評価する。
- 参考スコア（独自算出の注目度）: 20.377375517932354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, Hyper-relational Knowledge Graphs (HKGs) have been proposed as an extension of traditional Knowledge Graphs (KGs) to better represent real-world facts with additional qualifiers. As a result, researchers have attempted to adapt classical Knowledge Graph Embedding (KGE) models for HKGs by designing extra qualifier processing modules. However, it remains unclear whether the superior performance of Hyper-relational KGE (HKGE) models arises from their base KGE model or the specially designed extension module. Hence, in this paper, we data-wise convert HKGs to KG format using three decomposition methods and then evaluate the performance of several classical KGE models on HKGs. Our results show that some KGE models achieve performance comparable to that of HKGE models. Upon further analysis, we find that the decomposition methods alter the original HKG topology and fail to fully preserve HKG information. Moreover, we observe that current HKGE models are either insufficient in capturing the graph's long-range dependency or struggle to integrate main-triple and qualifier information due to the information compression issue. To further justify our findings and offer a potential direction for future HKGE research, we propose the FormerGNN framework. This framework employs a qualifier integrator to preserve the original HKG topology, and a GNN-based graph encoder to capture the graph's long-range dependencies, followed by an improved approach for integrating main-triple and qualifier information to mitigate compression issues. Our experimental results demonstrate that FormerGNN outperforms existing HKGE models.
- Abstract（参考訳）: 近年,HKG(Hyper-Relational Knowledge Graphs)が従来の知識グラフ(KG)の拡張として提案されている。
その結果、研究者は古典的知識グラフ埋め込み(KGE)モデルをHKGに適応させ、余分な等化処理モジュールを設計することを試みた。
しかし, ハイパーリレーショナルKGE(HKGE)モデルの性能が基本KGEモデルから生じるのか, あるいは特別に設計された拡張モジュールから生じるのかは定かではない。
そこで本研究では,3つの分解法を用いてHKGをKG形式に変換し,HKG上での古典的KGEモデルの性能を評価する。
その結果,いくつかのKGEモデルでは,HKGEモデルに匹敵する性能が得られた。
さらに解析すると,分解法は元のHKGの位相を変化させ,HKG情報の完全保存に失敗することがわかった。
さらに、現在のHKGEモデルは、グラフの長距離依存を捉えるのに不十分であるか、あるいは情報圧縮の問題により、主トリプルと等化器の情報を統合するのに苦労しているかを観察する。
今後のHKGE研究の方向性として,我々の発見をさらに正当化し,将来的な方向性を示すために,我々は,前GNNフレームワークを提案する。
このフレームワークは、元のHKGトポロジを保存するために修飾器積分器と、グラフの長距離依存性をキャプチャするGNNベースのグラフエンコーダを使用し、次いで、圧縮問題を緩和するために主トリプル情報と等化器情報を統合するための改良されたアプローチを採用する。
実験の結果,既存のHKGEモデルよりも優れた性能を示した。
関連論文リスト
- Extending TWIG: Zero-Shot Predictive Hyperparameter Selection for KGEs based on Graph Structure [2.2690868277262486]
トポロジカル・ウェイト・インテリジェンス・ジェネレーション(TWIG)モデルは、これらの要素がどのように関連しているかをモデル化するソリューションとして提案されている。
我々はTWIGに関する以前の研究を拡張し、KGEモデルComplExの出力をクロスKG設定でシミュレートする能力を評価する。
論文 参考訳（メタデータ） (2024-12-19T12:47:21Z) - Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling [33.04380466268661]
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。
論文 参考訳（メタデータ） (2024-11-09T14:16:41Z) - A Comprehensive Study on Knowledge Graph Embedding over Relational
Patterns Based on Rule Learning [49.09125100268454]
KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。
関係パターンはKGEモデルの性能において重要な要素である。
我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T17:30:57Z) - 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) - KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph
Convolutions for Recommendation [3.264007084815591]
我々はKQGC(Knowledge Query-based Graph Convolution)と呼ばれるリコメンデータシステムのための新しいモデルを提案する。
KQGCは平滑化に焦点を当て、KGEを平滑化するために単純な線形グラフ畳み込みを利用する。
提案したKQGCを,特定の製品のユーザを対象としたレコメンデーションタスクに適用する。
論文 参考訳（メタデータ） (2022-05-23T09:34:06Z) - Are Message Passing Neural Networks Really Helpful for Knowledge Graph
Completion? [49.858038034580005]
単純なモデルでMPNNに匹敵する性能が得られることを示す。
評価関数と損失関数の設計がKGCモデルの性能に強い影響を与えることを示す。
論文 参考訳（メタデータ） (2022-05-21T18:14:52Z) - 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) - Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。
本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。
本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-08T11:36:18Z) - 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) - 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)
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。