IntelliGraphs: Datasets for Benchmarking Knowledge Graph Generation

要約

ナレッジ グラフ エンベディング (KGE) モデルは、エンティティと関係の連続表現を学習するために使用されます。
文献における重要なタスクは、エンティティ間のミッシング リンクを予測することです。
ただし、ナレッジ グラフは単なるリンクのセットではなく、その構造の基礎となるセマンティクスもあります。
セマンティクスは、クエリ応答や推論など、いくつかの下流タスクで重要です。
サブグラフ推論タスクを導入します。このタスクでは、モデルは、可能性が高く、意味的に有効なサブグラフを生成する必要があります。
私たちは、5 つの新しいナレッジ グラフ データセットのセットである IntelliGraphs を提案します。
IntelliGraphs データセットには、サブグラフ推論を評価するための論理ルールで表現されたセマンティクスを持つサブグラフが含まれています。
合成データセットを生成したデータセット ジェネレーターも紹介します。
私たちは、従来の KGE に基づく 3 つのモデルを含む 4 つの新しいベースライン モデルを設計しました。
我々はそれらの表現力を評価し、これらのモデルが意味論を捉えることができないことを示します。
私たちは、このベンチマークが意味の理解を重視した機械学習モデルの開発を促進すると信じています。

要約(オリジナル)

Knowledge Graph Embedding (KGE) models are used to learn continuous representations of entities and relations. A key task in the literature is predicting missing links between entities. However, Knowledge Graphs are not just sets of links but also have semantics underlying their structure. Semantics is crucial in several downstream tasks, such as query answering or reasoning. We introduce the subgraph inference task, where a model has to generate likely and semantically valid subgraphs. We propose IntelliGraphs, a set of five new Knowledge Graph datasets. The IntelliGraphs datasets contain subgraphs with semantics expressed in logical rules for evaluating subgraph inference. We also present the dataset generator that produced the synthetic datasets. We designed four novel baseline models, which include three models based on traditional KGEs. We evaluate their expressiveness and show that these models cannot capture the semantics. We believe this benchmark will encourage the development of machine learning models that emphasize semantic understanding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google