A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning

要約

ナレッジ グラフ エンベディング (KGE) は、ナレッジ グラフ補完 (KGC) タスクを解決するための効果的なアプローチであることが証明されています。
グラフ パターンを示す特定のセマンティクスとの関係を参照する関係パターンは、KGE モデルのパフォーマンスの重要な要素です。
KGE モデルの機能は、理論的にはさまざまな関係パターンにわたって分析されており、より優れた関係パターン モデリングと KGC のより優れたパフォーマンスの間の大まかな関係が構築されていますが、関係パターンに対する KGE モデルの包括的な定量分析はまだ行われていないため、理論的にどのように機能するかは不明です。
リレーショナル パターンに対する KGE のサポートは、そのようなリレーショナル パターンに関連付けられたトリプルのパフォーマンスに貢献します。
この課題に対処するために、2 つのベンチマークで 4 つの一般的な関係パターンにわたる 7 つの KGE モデルのパフォーマンスを評価し、理論、エンティティの頻度、部分と全体の 3 つの側面で分析を実行し、いくつかの直感に反する結論を得ました。
最後に、さまざまなリレーショナル パターンに対する KGE モデルのパフォーマンスを向上させる、トレーニング不要の手法であるスコアベースのパターン適応 (SPA) を紹介します。
このアプローチはシンプルですが効果的であり、追加のトレーニングなしで KGE モデルに適用できます。
私たちの実験結果は、私たちの方法が一般的に特定の関係パターンよりもパフォーマンスを向上させることを示しています。
私たちのソース コードは、GitHub (https://github.com/zjukg/Comprehensive-Study-over-Relational-Patterns) から入手できます。

要約(オリジナル)

Knowledge Graph Embedding (KGE) has proven to be an effective approach to solving the Knowledge Graph Completion (KGC) task. Relational patterns which refer to relations with specific semantics exhibiting graph patterns are an important factor in the performance of KGE models. Though KGE models’ capabilities are analyzed over different relational patterns in theory and a rough connection between better relational patterns modeling and better performance of KGC has been built, a comprehensive quantitative analysis on KGE models over relational patterns remains absent so it is uncertain how the theoretical support of KGE to a relational pattern contributes to the performance of triples associated to such a relational pattern. To address this challenge, we evaluate the performance of 7 KGE models over 4 common relational patterns on 2 benchmarks, then conduct an analysis in theory, entity frequency, and part-to-whole three aspects and get some counterintuitive conclusions. Finally, we introduce a training-free method Score-based Patterns Adaptation (SPA) to enhance KGE models’ performance over various relational patterns. This approach is simple yet effective and can be applied to KGE models without additional training. Our experimental results demonstrate that our method generally enhances performance over specific relational patterns. Our source code is available from GitHub at https://github.com/zjukg/Comprehensive-Study-over-Relational-Patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google