Knowledge Pyramid: A Novel Hierarchical Reasoning Structure for Generalized Knowledge Augmentation and Inference

要約

ナレッジ グラフ (KG) ベースの推論は、セマンティック ネットワークの分析に有効な手段とみなされており、情報検索、推奨、意思決定、マンマシン インタラクションの分野で非常に役立ちます。
推奨、意思決定、質問応答、検索などの分野で広く使用されています。
しかし、これまでの研究では主に KG の低レベルの知識を推論に使用していたため、一般化が不十分で推論の堅牢性が不十分である可能性があります。
この目的を達成するために、本論文では、KG の汎化能力を向上させるための新しい知識拡張戦略を使用した新しい推論アプローチを提案します。
このフレームワークは、低レベルの知識から高レベルのピラミッド型の知識を抽出し、それを複数レベルの階層的な KG (本稿では知識ピラミッドと呼ぶ) の推論に適用します。
提案されたアプローチを使用していくつかの医療データセットをテストしたところ、実験結果は、提案された知識ピラミッドがより優れた一般化により知識推論のパフォーマンスを向上させたことを示しています。
特に、トレーニングサンプルが少ない場合、推論精度が大幅に向上します。

要約(オリジナル)

Knowledge graph (KG) based reasoning has been regarded as an effective means for the analysis of semantic networks and is of great usefulness in areas of information retrieval, recommendation, decision-making, and man-machine interaction. It is widely used in recommendation, decision-making, question-answering, search, and other fields. However, previous studies mainly used low-level knowledge in the KG for reasoning, which may result in insufficient generalization and poor robustness of reasoning. To this end, this paper proposes a new inference approach using a novel knowledge augmentation strategy to improve the generalization capability of KG. This framework extracts high-level pyramidal knowledge from low-level knowledge and applies it to reasoning in a multi-level hierarchical KG, called knowledge pyramid in this paper. We tested some medical data sets using the proposed approach, and the experimental results show that the proposed knowledge pyramid has improved the knowledge inference performance with better generalization. Especially, when there are fewer training samples, the inference accuracy can be significantly improved.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google