要約
ナレッジ グラフは、トリプレットを使用して既知の事実を表します。
既存のナレッジグラフの埋め込み手法は、エンティティ間の接続のみを考慮しますが、トリプレット間の関係を考慮することを提案します。
たとえば、$T_1$ が (Academy_Awards、Nominates、Avatar) で、$T_2$ が (Avatar、Wins、Academy_Awards) の 2 つのトリプレット $T_1$ と $T_2$ を考えてみましょう。
これら 2 つの基本レベルのトリプレットを考えると、$T_1$ が $T_2$ の前提条件であることがわかります。
このホワイト ペーパーでは、トリプレット間の関係を表す高レベルのトリプレットを定義します。
基本レベルと上位レベルのトリプレットで構成される 2 レベルのナレッジ グラフを定義します。
また、妥当なトリプレットを拡張するために、2 レベルの知識グラフのランダム ウォークに基づくデータ拡張戦略も提案します。
BiVE と呼ばれる私たちのモデルは、拡張されたトリプレットをさらに考慮して、ベースレベルと高レベルのトリプレットの構造を考慮して埋め込みを学習します。
トリプレット予測と条件付きリンク予測という 2 つの新しいタスクを提案します。
トリプレット $T_1$ と高レベルの関係が与えられると、トリプレット予測は、高レベルの関係によって $T_1$ に接続される可能性が高いトリプレットを予測します (例: $\langle T_1$, PrerequisiteFor, ?$\rangle)。
$.
条件リンク予測は、$\langle T_1$, PrerequisiteFor, (Avatar, Wins, ?)$\rangle$ など、別のトリプレットで条件付けされたトリプレットの欠落エンティティを予測します。
実験結果は、BiVE が、2 つの新しいタスクと、現実世界のバイレベル ナレッジ グラフにおける典型的なベースレベル リンク予測において、他のすべての方法よりも大幅に優れていることを示しています。
要約(オリジナル)
Knowledge graphs represent known facts using triplets. While existing knowledge graph embedding methods only consider the connections between entities, we propose considering the relationships between triplets. For example, let us consider two triplets $T_1$ and $T_2$ where $T_1$ is (Academy_Awards, Nominates, Avatar) and $T_2$ is (Avatar, Wins, Academy_Awards). Given these two base-level triplets, we see that $T_1$ is a prerequisite for $T_2$. In this paper, we define a higher-level triplet to represent a relationship between triplets, e.g., $\langle T_1$, PrerequisiteFor, $T_2\rangle$ where PrerequisiteFor is a higher-level relation. We define a bi-level knowledge graph that consists of the base-level and the higher-level triplets. We also propose a data augmentation strategy based on the random walks on the bi-level knowledge graph to augment plausible triplets. Our model called BiVE learns embeddings by taking into account the structures of the base-level and the higher-level triplets, with additional consideration of the augmented triplets. We propose two new tasks: triplet prediction and conditional link prediction. Given a triplet $T_1$ and a higher-level relation, the triplet prediction predicts a triplet that is likely to be connected to $T_1$ by the higher-level relation, e.g., $\langle T_1$, PrerequisiteFor, ?$\rangle$. The conditional link prediction predicts a missing entity in a triplet conditioned on another triplet, e.g., $\langle T_1$, PrerequisiteFor, (Avatar, Wins, ?)$\rangle$. Experimental results show that BiVE significantly outperforms all other methods in the two new tasks and the typical base-level link prediction in real-world bi-level knowledge graphs.
arxiv情報
著者 | Chanyoung Chung,Joyce Jiyoung Whang |
発行日 | 2023-03-21 16:30:06+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google