A Pre-training Framework for Knowledge Graph Completion

要約

ナレッジ グラフ補完 (KGC) は、ナレッジ グラフ内の新しい事実を識別する有効な方法の 1 つです。
グラフネットワークに基づくいくつかの方法を除いて、ほとんどの KGC 方法は、独立したトリプルに基づいてトレーニングされる傾向がありますが、知識ネットワークに含まれるグローバルネットワーク接続の情報を十分に考慮することは困難です。
これらの問題に対処するために、この研究では、ナレッジグラフの完成のためのシンプルで効果的なネットワークベースの事前トレーニングフレームワーク (NetPeace と呼ばれる) を提案します。これは、グローバルネットワーク接続とナレッジグラフのローカル三重関係の情報を考慮に入れます。
実験によると、NetPeace フレームワークでは、複数の KGC モデルがベンチマークで一貫した大幅な改善 (FB15k-237 での TuckER の 36.45% Hits@1 および 27.40% MRR 改善など)、特に高密度のナレッジ グラフをもたらすことが示されています。
困難な低リソース タスクで、KG のグローバル機能の恩恵を受ける N​​etPeace は、元のモデルよりも高いパフォーマンス (最大で 104.03% の MRR と 143.89% の Hit@1 の改善) を達成します。

要約(オリジナル)

Knowledge graph completion (KGC) is one of the effective methods to identify new facts in knowledge graph. Except for a few methods based on graph network, most of KGC methods trend to be trained based on independent triples, while are difficult to take a full account of the information of global network connection contained in knowledge network. To address these issues, in this study, we propose a simple and effective Network-based Pre-training framework for knowledge graph completion (termed NetPeace), which takes into account the information of global network connection and local triple relationships in knowledge graph. Experiments show that in NetPeace framework, multiple KGC models yields consistent and significant improvements on benchmarks (e.g., 36.45% Hits@1 and 27.40% MRR improvements for TuckER on FB15k-237), especially dense knowledge graph. On the challenging low-resource task, NetPeace that benefits from the global features of KG achieves higher performance (104.03% MRR and 143.89% Hit@1 improvements at most) than original models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google