A Semantic Partitioning Method for Large-Scale Training of Knowledge Graph Embeddings

要約

近年、ナレッジ グラフの埋め込みは大きな成功を収めています。
多くの手法が提案され、さまざまなタスクにおいて最先端の結果が得られています。
しかしながら、現在の方法のほとんどは、以下の 1 つ以上の問題を抱えています。 (i) これらは、ナレッジ グラフのオントロジー情報を無視しながら、事実のトリプレットのみを考慮します。
(ii) 取得された埋め込みには、多くの意味情報が含まれていません。
したがって、これらの埋め込みをセマンティック タスクに使用することには問題があります。
(iii) 大規模な訓練は可能ではない。
この論文では、ナレッジ グラフのオントロジーを組み込み、クラスに基づいてナレッジ グラフを分割して、大規模なナレッジ グラフ埋め込みの並列トレーニング用に、より多くのセマンティック情報を含める新しいアルゴリズムを提案します。
暫定的な結果では、アルゴリズムがいくつかの一般的なベンチマークで良好なパフォーマンスを示していることが示されています。

要約(オリジナル)

In recent years, knowledge graph embeddings have achieved great success. Many methods have been proposed and achieved state-of-the-art results in various tasks. However, most of the current methods present one or more of the following problems: (i) They only consider fact triplets, while ignoring the ontology information of knowledge graphs. (ii) The obtained embeddings do not contain much semantic information. Therefore, using these embeddings for semantic tasks is problematic. (iii) They do not enable large-scale training. In this paper, we propose a new algorithm that incorporates the ontology of knowledge graphs and partitions the knowledge graph based on classes to include more semantic information for parallel training of large-scale knowledge graph embeddings. Our preliminary results show that our algorithm performs well on several popular benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google