論文の概要: Measuring Graph-to-Graph Semantic Similarity in Knowledge Graphs: An Empirical Evaluation of Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2606.29180v1
• Date: Sun, 28 Jun 2026 03:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.825248
• Title: Measuring Graph-to-Graph Semantic Similarity in Knowledge Graphs: An Empirical Evaluation of Knowledge Graph Embeddings
• Title（参考訳）: 知識グラフにおけるグラフ間セマンティック類似性の測定:知識グラフ埋め込みの実証評価
• Abstract要約: 知識グラフ(KG)は、事実を構造化三重項として表現し、様々な領域にまたがる関係知識の組織化に広く用いられている。 既存の埋め込み手法は主にエンティティ、リレーション、トリプルに重点を置いており、グラフレベルのセマンティクスはほとんど役に立たない。 構造的類似性だけではKG間の意味的類似性を保証することができないため、構造的パターンに基づいてグラフを比較する従来のグラフレベル手法も不十分である。
• 参考スコア（独自算出の注目度）: 7.760140208674582
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A Knowledge Graph (KG) represents facts as structured triples and is widely used to organize relational knowledge across diverse domains. Just as textual information ranges from words and sentences to complete documents, KG information can be interpreted at multiple levels, from entities, relations, and triples to subgraphs and entire KGs. However, existing KG embedding methods mainly focus on entities, relations, and triples, leaving graph-level semantics largely unaddressed. Conventional graph-level methods, which typically compare graphs based on structural patterns, are also insufficient because structural similarity alone cannot guarantee semantic similarity between KGs. To evaluate how well different methods capture such graph-level semantic information, we study graph-to-graph semantic similarity, which determines whether a pair of KGs represents semantically corresponding underlying information. To obtain reliable ground-truth correspondences, we construct a semantic matching dataset by modifying text documents, extracting KGs from both original and modified documents, and transferring their known correspondences to KG pairs. We compare text-based, structure-based, and KG embedding-based approaches on each dataset. For the KG embedding-based approach, we introduce two scoring functions: \textit{EmbPairSim}, which uses maximal pairwise entity similarity, and \textit{AvgEmbSim}, which uses a frequency-weighted centroid. Experiments on WikiText-2 and CC-News show that \textit{EmbPairSim} achieves up to 5.3 pp higher MRR than Sentence-BERT while using substantially fewer parameters. These results suggest that KGE representations can serve as compact and effective signals for graph-to-graph semantic similarity in KGs. Our code is available at https://github.com/SeungRyeolBaek/KG-to-KG-Semantic-Similarity.
• Abstract（参考訳）: 知識グラフ(KG)は、事実を構造化三重項として表現し、様々な領域にまたがる関係知識の組織化に広く用いられている。 テキスト情報が単語や文から完成文書までの範囲に広がるのと同じように、KG情報はエンティティ、関係、トリプルから、サブグラフや全KGまで、複数のレベルで解釈できる。 しかし、既存のKG埋め込み手法は主にエンティティ、リレーション、トリプルに重点を置いており、グラフレベルのセマンティクスはほとんど役に立たない。 構造的類似性だけではKG間の意味的類似性を保証することができないため、構造的パターンに基づいてグラフを比較する従来のグラフレベル手法も不十分である。 グラフレベルのセマンティックな情報をどのように捉えているかを評価するため,グラフ間のセマンティックな類似性について検討し,KGのペアがセマンティックに対応する情報を表すかどうかを判定する。 そこで本研究では,テキスト文書を編集し,オリジナル文書と修正文書の両方からKGを抽出し,既知の対応をKGペアに転送することで,意味マッチングデータセットを構築する。 テキストベース,構造ベース,KG埋め込みベースのアプローチを各データセット上で比較する。 KG埋め込みに基づくアプローチでは、最大対存在類似性を用いた \textit{EmbPairSim} と周波数重み付きセントロイドを用いた \textit{AvgEmbSim} という2つのスコアリング関数を導入する。 WikiText-2 と CC-News の実験によると、 \textit{EmbPairSim} は Sentence-BERT よりも最大 5.3 pp 高い MRR を達成でき、パラメータは大幅に少ない。 これらの結果から,KGE表現はKGにおけるグラフとグラフのセマンティックな類似性に対して,コンパクトかつ効果的な信号として機能することが示唆された。 私たちのコードはhttps://github.com/SeungRyeolBaek/KG-to-KG-Semantic-Similarityで公開されています。

関連論文リスト

• KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text [6.373904244962351]
  本稿では,本質的な知識グラフ品質評価のための新しい解釈可能な指標を提案する。 自動的に抽出されたグラフがいかに「理想」グラフに近似するかを測定する。 複数の最先端の3重抽出システムとデータセットで測定値を評価する。
  論文  参考訳（メタデータ） (2026-07-11T08:45:15Z)
• KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning [51.44698654440413]
  知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。 そこで我々は,KGPFNを提案する。KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN。 57KGベンチマークの実験では、KGPFNは、文脈内学習だけで、これまで見られなかったグラフに強く適応することを示した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:19Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• KG-BiLM: Knowledge Graph Embedding via Bidirectional Language Models [16.2387767061355]
  KG-BiLMは、KGの構造的手がかりを生成変換器の意味表現性と融合させる双方向のLMフレームワークである。 KG-BiLMには3つの重要な要素がある: (i) 双方向知識注意; すべてのトークンとエンティティ間の完全な相互作用を可能にするために因果マスクを除去する; (ii) 局所的な意味的コンテキストとグローバルなグラフ接続の両方を活用することを奨励するナレッジ・マスク予測; (iii) コントラストグラフセマンティック・アグリゲーション — サンプル化されたサブグラフ表現のコントラストアライメントを通じてKG構造を保存する。
  論文  参考訳（メタデータ） (2025-06-04T04:47:24Z)
• Relation Extraction Across Entire Books to Reconstruct Community Networks: The AffilKG Datasets [3.9244082434642555]
  AffilKGは6つのデータセットの集合で、完全な書籍スキャンと大きなラベル付き知識グラフをペアにした最初のものである。 各データセットにはアフィリエイトグラフがあり、人と組織間のメンバ関係をキャプチャするシンプルなKGである。
  論文  参考訳（メタデータ） (2025-05-16T02:24:32Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• Universal Preprocessing Operators for Embedding Knowledge Graphs with Literals [2.211868306499727]
  知識グラフ埋め込みは知識グラフ(KG)におけるエンティティの密度数値表現である 本稿では,KGを数値情報,時間情報,テキスト情報,画像情報などのリテラルで変換できる汎用プリプロセッシング演算子を提案する。 3つの異なる埋め込み法によるkgbenchデータセットの結果は有望な結果を示した。
  論文  参考訳（メタデータ） (2023-09-06T14:08:46Z)
• Text-To-KG Alignment: Comparing Current Methods on Classification Tasks [2.191505742658975]
  知識グラフ(KG)は、事実情報の密集した構造化された表現を提供する。 最近の研究は、追加のコンテキストとしてKGから情報を取得するパイプラインモデルの作成に重点を置いている。 現在のメソッドが、アライメントされたサブグラフがクエリに完全に関連しているシナリオとどのように比較されているかは分かっていない。
  論文  参考訳（メタデータ） (2023-06-05T13:45:45Z)
• 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)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• FedE: Embedding Knowledge Graphs in Federated Setting [21.022513922373207]
  マルチソースKGは、実際の知識グラフアプリケーションでは一般的な状況である。 データプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけで、お互いのKGCを補完することはできない。 我々は,局所的な更新を集約して知識グラフの埋め込みを学習することに焦点を当てた,知識グラフ埋め込みフレームワークであるフェデレーション(Federated Knowledge Graph Embedding)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T11:52:05Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)
• On the Role of Conceptualization in Commonsense Knowledge Graph Construction [59.39512925793171]
  アトミックやASERのような常識知識グラフ(CKG)は、従来のKGと大きく異なる。 本稿では, CKG の概念化手法を紹介し, テキストに記述されたエンティティを特定の概念のインスタンスとみなすか, あるいはその逆を例に紹介する。 提案手法は, 可塑性三重項を効果的に同定し, 新たなノードの3重項と, 多様性と新規性の両端項によってKGを拡張できる。
  論文  参考訳（メタデータ） (2020-03-06T14:35:20Z)

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。