The Integration of Semantic and Structural Knowledge in Knowledge Graph Entity Typing

要約

ナレッジ グラフ エンティティ タイピング (KGET) タスクは、ナレッジ グラフ内のエンティティの欠落している型注釈を予測することを目的としています。
最近の作品では、エンティティのローカル近傍の \textit{\textbf{構造的知識}} のみが利用され、型にとっても重要なエンティティ、関係、型のテキスト表現における \textit{\textbf{意味論的な知識}} は無視されています。
推論。
さらに、意味論的知識と構造的知識の間の相互作用を利用して偽陰性問題に対処できることも観察しました。
この論文では、新しい \textbf{\underline{S}}emantic かつ \textbf{\underline{S}}構造を認識した KG \textbf{\underline{E}}ntity \textbf{\underline{T} を提案します
}yping~{(SSET)} フレームワーク。3 つのモジュールで構成されます。
まず、\textit{Semantic Knowledge Encoding} モジュールは、マスクされたエンティティ タイピング タスクを使用して KG 内の事実知識をエンコードします。
次に、\textit{Structural Knowledge Aggregation} モジュールは、エンティティのマルチホップ近傍からの知識を集約して、欠落しているタイプを推測します。
最後に、\textit{教師なし型再ランキング} モジュールは、上記の 2 つのモデルからの推論結果を利用して、偽陰性サンプルに対して堅牢な型予測を生成します。
広範な実験により、SSET が既存の最先端の方法を大幅に上回ることが示されています。

要約(オリジナル)

The Knowledge Graph Entity Typing (KGET) task aims to predict missing type annotations for entities in knowledge graphs. Recent works only utilize the \textit{\textbf{structural knowledge}} in the local neighborhood of entities, disregarding \textit{\textbf{semantic knowledge}} in the textual representations of entities, relations, and types that are also crucial for type inference. Additionally, we observe that the interaction between semantic and structural knowledge can be utilized to address the false-negative problem. In this paper, we propose a novel \textbf{\underline{S}}emantic and \textbf{\underline{S}}tructure-aware KG \textbf{\underline{E}}ntity \textbf{\underline{T}}yping~{(SSET)} framework, which is composed of three modules. First, the \textit{Semantic Knowledge Encoding} module encodes factual knowledge in the KG with a Masked Entity Typing task. Then, the \textit{Structural Knowledge Aggregation} module aggregates knowledge from the multi-hop neighborhood of entities to infer missing types. Finally, the \textit{Unsupervised Type Re-ranking} module utilizes the inference results from the two models above to generate type predictions that are robust to false-negative samples. Extensive experiments show that SSET significantly outperforms existing state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google