NNKGC: Improving Knowledge Graph Completion with Node Neighborhoods

要約

ナレッジ グラフ補完 (KGC) は、クエリ エンティティの欠落している関係を発見することを目的としています。
現在のテキストベースのモデルは、エンティティの名前と説明を利用して、先頭エンティティと特定の関係を考慮して末尾エンティティを推測します。
既存のアプローチでは、ヘッド エンティティの近傍も考慮されます。
ただし、これらの方法はフラット構造を使用して近傍をモデル化する傾向があり、1 ホップの近傍にのみ制限されます。
この研究では、ナレッジ グラフを完成させるためのノード近傍強化フレームワークを提案します。
グラフ ニューラル ネットワークを使用して複数のホップからヘッド エンティティ近傍をモデル化し、ヘッド ノード情報を強化します。
さらに、KGC を改善するために追加のエッジ リンク予測タスクを導入します。
2 つの公開データセットを評価したところ、このフレームワークはシンプルでありながら効果的であることがわかりました。
このケーススタディは、モデルが説明可能な予測を予測できることも示しています。

要約(オリジナル)

Knowledge graph completion (KGC) aims to discover missing relations of query entities. Current text-based models utilize the entity name and description to infer the tail entity given the head entity and a certain relation. Existing approaches also consider the neighborhood of the head entity. However, these methods tend to model the neighborhood using a flat structure and are only restricted to 1-hop neighbors. In this work, we propose a node neighborhood-enhanced framework for knowledge graph completion. It models the head entity neighborhood from multiple hops using graph neural networks to enrich the head node information. Moreover, we introduce an additional edge link prediction task to improve KGC. Evaluation on two public datasets shows that this framework is simple yet effective. The case study also shows that the model is able to predict explainable predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google