論文の概要: Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2606.29860v3
• Date: Wed, 01 Jul 2026 02:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 15:15:53.064961
• Title: Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs
• Title（参考訳）: Triplet Plausibilityを超えて - 知識グラフにおける関係セットの補完
• Abstract要約: 関係集合完了タスク(RSC)と関係集合埋め込みモデル(RelSetE)を導入する。 RSCは、あるエンティティと意味的に互換性のある欠落した関係を推論することを目的としている。 RelSetEは、観測されたエンティティの関係の中で潜在パターンをモデル化し、失われたパターンを推測する。
• 参考スコア（独自算出の注目度）: 48.16012222834734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) organize real-world knowledge as triplets and underpin many downstream applications. Due to their inherent incompleteness, knowledge graph completion (KGC) is widely studied and is typically formulated as triplet prediction, with link prediction as the dominant paradigm. However, this formulation focuses on the incompleteness of triplet-wise information and overlooks the incompleteness of entity-relation compatibility information. To address this limitation, we introduce a relation set completion task (RSC), which complements the link prediction task and aims to reason about missing relations that are semantically compatible with a given entity. We further propose a Relation Set Embedding model (RelSetE), which models latent patterns among the observed relations of entities to infer missing ones. To evaluate RelSetE, we derive three benchmark datasets from standard KG benchmarks. Extensive experiments demonstrate that RelSetE effectively captures entity-relation compatibility patterns and performs favorably in inferring missing relations of entities. Code and data are publicly available.
• Abstract（参考訳）: 知識グラフ(KG)は、現実世界の知識を三重項として整理し、多くの下流アプリケーションを支える。 その固有の不完全性のため、知識グラフ補完(KGC)は広く研究され、典型的には三重項予測として定式化され、リンク予測が支配的なパラダイムである。 しかし、この定式化は三重項情報の不完全性に焦点を当て、実体関係互換性情報の不完全性を見落としている。 この制限に対処するために、リンク予測タスクを補完するリレーションセット完了タスク(RSC)を導入し、与えられたエンティティと意味的に互換性のあるリレーションシップの欠如を推論する。 さらに、観測された実体の関係の潜在パターンをモデル化し、欠落パターンを推測する関係集合埋め込みモデル(RelSetE)を提案する。 RelSetEを評価するために、標準KGベンチマークから3つのベンチマークデータセットを導出する。 大規模な実験により、RelSetEはエンティティ-リレーショナル互換性パターンを効果的に捉え、エンティティの欠落した関係を推測するのに好適に機能することが示された。 コードとデータは公開されている。

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)
• 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)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• 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)
• Learning Relation-Specific Representations for Few-shot Knowledge Graph Completion [24.880078645503417]
  本稿では,三重項のグラフコンテキストを利用して関係と実体のセマンティック情報を同時に取得する関係特化文脈学習フレームワークを提案する。 2つの公開データセットの実験結果は、RSCLが最先端のFKGC法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-22T11:45:48Z)
• Document-level Relation Extraction with Context Guided Mention Integration and Inter-pair Reasoning [18.374097786748834]
  文書レベルの関係抽出(DRE)は、2つの実体間の関係を認識することを目的としている。 これまでの研究では、言及の統合についてはほとんど研究されていないが、これは問題となるかもしれない。 本稿では,コンテキストガイドメンション統合とペア間推論という2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-13T08:00:23Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Document-Level Relation Extraction with Reconstruction [28.593318203728963]
  文書レベルの関係抽出(DocRE)のための新しいエンコーダ分類器再構成モデルを提案する。 再構築器は、グラフ表現からの基底経路依存性を再構築し、提案されたDocREモデルがトレーニングにおけるエンティティペアと関係をエンコードすることにもっと注意を払っていることを確認する。 大規模docreデータセットにおける実験結果から,提案モデルにより,グラフベースラインにおける関係抽出精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-12-21T14:29:31Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)

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。