Few-shot Link Prediction on N-ary Facts

要約

主要なトリプル (先頭エンティティ、関係、末尾エンティティ) と任意の数の補助的な属性と値のペアで構成される N 項ファクトは、現実世界のナレッジ グラフ (KG) で広く普及しています。
n 項ファクトのリンク予測は、n 項ファクト内の欠落要素を予測することです。
これは、KG の追加と強化に役立ち、多数の下流アプリケーションをさらに促進します。
これまでの研究では通常、n 項ファクトの要素を理解するために大量の高品質のデータが必要でした。
ただし、これらの研究では、ラベル付きインスタンスが限られているものの、現実世界のシナリオでは一般的な少数ショット関係が見落とされています。
そこで、この論文では、n 値ファクトに対する少数ショット リンク予測という新しいタスクを導入します。
これは、限られたラベル付きインスタンスを使用して、n 項ファクト内の欠落しているエンティティを予測することを目的としています。
さらに、N 項ファクトに関する少数ショット リンク prEdict のモデル (つまり FLEN と呼ばれます) を提案します。このモデルは、関係学習モジュール、サポート固有の調整モジュール、およびクエリ推論モジュールの 3 つのモジュールで構成されます。
FLEN は、限られたインスタンスから関係メタ情報を取得して、クエリ インスタンス内の欠落エンティティを予測します。
FLEN の有効性を検証するために、既存のベンチマーク データに基づいて 3 つのデータセットを構築します。
私たちの実験結果は、FLEN が n 値ファクトとバイナリ ファクトの少数ショット リンク予測の両方において、既存の関連モデルよりも大幅に優れていることを示しています。

要約(オリジナル)

N-ary facts composed of a primary triple (head entity, relation, tail entity) and an arbitrary number of auxiliary attribute-value pairs, are prevalent in real-world knowledge graphs (KGs). Link prediction on n-ary facts is to predict a missing element in an n-ary fact. This helps populate and enrich KGs and further promotes numerous downstream applications. Previous studies usually require a substantial amount of high-quality data to understand the elements in n-ary facts. However, these studies overlook few-shot relations, which have limited labeled instances, yet are common in real-world scenarios. Thus, this paper introduces a new task, few-shot link prediction on n-ary facts. It aims to predict a missing entity in an n-ary fact with limited labeled instances. We further propose a model for Few-shot Link prEdict on N-ary facts, thus called FLEN, which consists of three modules: the relation learning, support-specific adjusting, and query inference modules. FLEN captures relation meta information from limited instances to predict a missing entity in a query instance. To validate the effectiveness of FLEN, we construct three datasets based on existing benchmark data. Our experimental results show that FLEN significantly outperforms existing related models in both few-shot link prediction on n-ary facts and binary facts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google