Combining Inductive and Deductive Reasoning for Query Answering over Incomplete Knowledge Graphs

要約

不完全なナレッジ グラフ (KG) に対する埋め込みベースのクエリ応答の現在の方法は、帰納的推論、つまりデータからパターンを学習して答えを予測することのみに焦点を当てており、演繹的推論を行うための補完的な機能が欠けており、ドメイン知識を適用する必要があります。
さらに詳しい情報を推測します。
この欠点に対処するために、埋め込みベースのオントロジーを介したクエリ応答のタスクを定義することにより、オントロジを埋め込みベースのクエリ応答モデルに組み込む問題を調査します。
我々は、(1) さまざまなオントロジー駆動のデータ拡張技術と、(2) オントロジー公理を強制するための損失関数の適応を含む、埋め込みモデルの著名な代表へのさまざまな統合戦略を提案します。
私たちは、LUBM と NELL KG に基づいて検討中のタスク用の新しいベンチマークを設計し、それらに基づいてメソッドを評価します。
帰納的推論と演繹的推論の両方を必要とする設定で達成された改善は、HITS@3 で 20% から 55% です。

要約(オリジナル)

Current methods for embedding-based query answering over incomplete Knowledge Graphs (KGs) only focus on inductive reasoning, i.e., predicting answers by learning patterns from the data, and lack the complementary ability to do deductive reasoning, which requires the application of domain knowledge to infer further information. To address this shortcoming, we investigate the problem of incorporating ontologies into embedding-based query answering models by defining the task of embedding-based ontology-mediated query answering. We propose various integration strategies into prominent representatives of embedding models that involve (1) different ontology-driven data augmentation techniques and (2) adaptation of the loss function to enforce the ontology axioms. We design novel benchmarks for the considered task based on the LUBM and the NELL KGs and evaluate our methods on them. The achieved improvements in the setting that requires both inductive and deductive reasoning are from 20% to 55% in HITS@3.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google