DegreEmbed: incorporating entity embedding into logic rule learning for knowledge graph reasoning

要約

ナレッジ グラフ (KG) は、現実世界の事実を構造化して表現したもので、人間の問題解決方法を機械が模倣するのに役立つ人間の知識を組み込んだインテリジェント データベースです。
ただし、KG は通常巨大であり、KG には必然的に欠落したファクトが存在するため、ナレッジ グラフ推論に基づく質問応答システムや推奨システムなどのアプリケーションが損なわれます。
ナレッジグラフのリンク予測は、既存の知識に基づいた推論によって欠落している事実を補完することを目的としたタスクです。
研究の 2 つの主要な流れが広く研究されています。1 つは潜在的なパターンを探索できるエンティティと関係の低次元埋め込みを学習し、もう 1 つは論理ルールをマイニングすることで優れた解釈可能性を獲得します。
残念ながら、さまざまなタイプの実体や関係を含む現代の KG の異質性は、これまでの研究では十分に考慮されていませんでした。
この論文では、KG を推論するための埋め込みベースの学習とロジック ルール マイニングを組み合わせたモデルである DegreEmbed を提案します。
具体的には、ノードの次数の観点から、異種の KG におけるミッシングリンクを予測する問題を研究します。
私たちは実験的に、私たちの DegreEmbed モデルが現実世界のデータセットに対する最先端の手法よりも優れたパフォーマンスを示し、私たちのモデルによってマイニングされたルールが高品質で解釈可能であることを実証しました。

要約(オリジナル)

Knowledge graphs (KGs), as structured representations of real world facts, are intelligent databases incorporating human knowledge that can help machine imitate the way of human problem solving. However, KGs are usually huge and there are inevitably missing facts in KGs, thus undermining applications such as question answering and recommender systems that are based on knowledge graph reasoning. Link prediction for knowledge graphs is the task aiming to complete missing facts by reasoning based on the existing knowledge. Two main streams of research are widely studied: one learns low-dimensional embeddings for entities and relations that can explore latent patterns, and the other gains good interpretability by mining logical rules. Unfortunately, the heterogeneity of modern KGs that involve entities and relations of various types is not well considered in the previous studies. In this paper, we propose DegreEmbed, a model that combines embedding-based learning and logic rule mining for inferring on KGs. Specifically, we study the problem of predicting missing links in heterogeneous KGs from the perspective of the degree of nodes. Experimentally, we demonstrate that our DegreEmbed model outperforms the state-of-the-art methods on real world datasets and the rules mined by our model are of high quality and interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google