CL4KGE: A Curriculum Learning Method for Knowledge Graph Embedding

要約

ナレッジ グラフ エンベディング (KGE) は、エンティティ間の論理的および記号的な相互接続を近似するのに十分包括的な表現を作成することを目的として、ナレッジ グラフ (KG) 内のエンティティおよび関係の表現を学習することを目的とした基本的なタスクを構成します。
この論文では、理論分析を使用して KG 内の各トリプル ($<$head エンティティ、リレーション、テール エンティティ $>$) をトレーニングする難易度を測定するメトリクス Z カウントを定義します。
この指標に基づいて、\textbf{KGE} の効率的な \textbf{C} カリキュラム \textbf{L} 獲得ベースのトレーニング戦略である \textbf{CL4KGE} を提案します。
このメソッドには、KGE モデルのトレーニングを支援する難易度測定機能とトレーニング スケジューラが含まれています。
私たちのアプローチは、幅広い KGE モデル内でプラグインとして機能する柔軟性を備えており、さらに、既存の KG の大部分に適応できるという利点もあります。
提案された方法は一般的な KGE モデルで評価されており、その結果はそれが最先端の方法を強化することを示しています。
Z カウントを指標として使用することで、KG における困難なトリプルを特定できるようになり、効果的なトレーニング戦略を考案するのに役立ちます。

要約(オリジナル)

Knowledge graph embedding (KGE) constitutes a foundational task, directed towards learning representations for entities and relations within knowledge graphs (KGs), with the objective of crafting representations comprehensive enough to approximate the logical and symbolic interconnections among entities. In this paper, we define a metric Z-counts to measure the difficulty of training each triple ($<$head entity, relation, tail entity$>$) in KGs with theoretical analysis. Based on this metric, we propose \textbf{CL4KGE}, an efficient \textbf{C}urriculum \textbf{L}earning based training strategy for \textbf{KGE}. This method includes a difficulty measurer and a training scheduler that aids in the training of KGE models. Our approach possesses the flexibility to act as a plugin within a wide range of KGE models, with the added advantage of adaptability to the majority of KGs in existence. The proposed method has been evaluated on popular KGE models, and the results demonstrate that it enhances the state-of-the-art methods. The use of Z-counts as a metric has enabled the identification of challenging triples in KGs, which helps in devising effective training strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google