Capturing Knowledge Graphs and Rules with Octagon Embeddings

要約

領域ベースのナレッジ グラフの埋め込みは、関係を幾何学的領域として表します。
これには、モデルによって取得されるルールが明示的になり、事前知識の組み込みと学習されたモデルの検査が簡単になるという利点があります。
残念ながら、既存のアプローチは、リレーショナル構成をモデル化する能力が大幅に制限されており、したがってルールをモデル化する能力も制限されており、地域ベースのモデルの主な約束を果たせていません。
これらの制限に対処する目的で、軸が整列した八角形で構成される領域を調査します。
このような八角形は、任意の知識グラフをモデル化するのに十分な表現力を持ちながら、交差と合成を直接計算できるため、特に扱いが簡単です。
とりわけ、八角形の埋め込みがルールベースの非自明なクラスを適切にキャプチャできることも示します。
最後に、私たちのモデルが競合的な実験結果を達成することを示します。

要約(オリジナル)

Region based knowledge graph embeddings represent relations as geometric regions. This has the advantage that the rules which are captured by the model are made explicit, making it straightforward to incorporate prior knowledge and to inspect learned models. Unfortunately, existing approaches are severely restricted in their ability to model relational composition, and hence also their ability to model rules, thus failing to deliver on the main promise of region based models. With the aim of addressing these limitations, we investigate regions which are composed of axis-aligned octagons. Such octagons are particularly easy to work with, as intersections and compositions can be straightforwardly computed, while they are still sufficiently expressive to model arbitrary knowledge graphs. Among others, we also show that our octagon embeddings can properly capture a non-trivial class of rule bases. Finally, we show that our model achieves competitive experimental results.

arxiv情報

著者 Victor Charpenay,Steven Schockaert
発行日 2024-06-18 15:29:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI パーマリンク