Towards Semantically Enriched Embeddings for Knowledge Graph Completion

要約

埋め込みベースのナレッジ グラフ (KG) 補完は、ここ数年で大きな注目を集めています。
現在のアルゴリズムのほとんどは、KG を多方向のラベル付きグラフと見なしており、スケマティック情報の基礎となるセマンティクスをキャプチャする機能が不足しています。
別の開発では、人工知能の分野に革命をもたらした大規模言語モデル (LLM) 内に膨大な量の情報が取り込まれています。
KG はこれらの LLM から恩恵を受けることができ、またその逆も同様です。
このビジョン ペーパーでは、KG 埋め込みを生成するためのバリエーションに基づいて、KG 補完のための既存のアルゴリズムについて説明します。
まず、変換および帰納リンク予測やエンティティ タイプ予測アルゴリズムなど、さまざまな KG 補完アルゴリズムについて説明します。
次に、KG、LLM 内の型情報を利用するアルゴリズムに進み、最後に、さまざまな記述論理公理で表現されるセマンティクスを捕捉するアルゴリズムに進みます。
私たちは、コミュニティにおける活動の現状を批判的に考察し、将来の方向性についての推奨事項を示してこの文書を締めくくります。

要約(オリジナル)

Embedding based Knowledge Graph (KG) Completion has gained much attention over the past few years. Most of the current algorithms consider a KG as a multidirectional labeled graph and lack the ability to capture the semantics underlying the schematic information. In a separate development, a vast amount of information has been captured within the Large Language Models (LLMs) which has revolutionized the field of Artificial Intelligence. KGs could benefit from these LLMs and vice versa. This vision paper discusses the existing algorithms for KG completion based on the variations for generating KG embeddings. It starts with discussing various KG completion algorithms such as transductive and inductive link prediction and entity type prediction algorithms. It then moves on to the algorithms utilizing type information within the KGs, LLMs, and finally to algorithms capturing the semantics represented in different description logic axioms. We conclude the paper with a critical reflection on the current state of work in the community and give recommendations for future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google