Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion

要約

ナレッジ グラフ (KG) は、その大規模な知識推論能力で知られていますが、それらに関連する不完全さでも有名です。
KG での関係のロングテール分布により、不完全性を軽減し、KG の適用範囲を拡大するための解決策として、少数ショット KG 補完が提案されています。
少数のトレーニングトリプレットのみが参照として提供されている場合に、新しい関係を含むトリプレットを予測することを目的としています。
以前の方法は、エンティティ レベルの情報を学習するためのローカル ネイバー アグリゲーターの設計、および/またはメタ関係情報を学習するためのトリプレット レベルでのシーケンシャルな依存関係の仮定の適用に主に焦点を当てていました。
ただし、貴重なペアワイズ トリプレット レベルの相互作用とコンテキスト レベルの関係情報は、少数ショット関係のメタ表現を学習するためにほとんど見過ごされてきました。
この論文では、少数ショットの KG 完了のための階層的関係学習法 (HiRe) を提案します。
3 つのレベルの関係情報 (エンティティ レベル、トリプレット レベル、およびコンテキスト レベル) を一緒にキャプチャすることにより、HiRe は、少数ショット関係のメタ表現を効果的に学習および改良し、その結果、新しい目に見えない関係に非常にうまく一般化できます。
2 つのベンチマーク データセットでの広範な実験により、他の最先端の方法に対する HiRe の優位性が検証されます。

要約(オリジナル)

Knowledge graphs (KGs) are known for their large scale and knowledge inference ability, but are also notorious for the incompleteness associated with them. Due to the long-tail distribution of the relations in KGs, few-shot KG completion has been proposed as a solution to alleviate incompleteness and expand the coverage of KGs. It aims to make predictions for triplets involving novel relations when only a few training triplets are provided as reference. Previous methods have mostly focused on designing local neighbor aggregators to learn entity-level information and/or imposing sequential dependency assumption at the triplet level to learn meta relation information. However, valuable pairwise triplet-level interactions and context-level relational information have been largely overlooked for learning meta representations of few-shot relations. In this paper, we propose a hierarchical relational learning method (HiRe) for few-shot KG completion. By jointly capturing three levels of relational information (entity-level, triplet-level and context-level), HiRe can effectively learn and refine the meta representation of few-shot relations, and consequently generalize very well to new unseen relations. Extensive experiments on two benchmark datasets validate the superiority of HiRe against other state-of-the-art methods.

arxiv情報

著者 Han Wu,Jie Yin,Bala Rajaratnam,Jianyuan Guo
発行日 2022-09-16 08:45:15+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク