NestE: Modeling Nested Relational Structures for Knowledge Graph Reasoning

要約

ナレッジ グラフ (KG) を使用した推論は、主にトリプル形状の事実に焦点を当ててきました。
最近の進歩では、ハイパーリレーショナル ファクトなどのより強力な表現を組み込むことによって、これらのファクトのセマンティクスを強化することが検討されています。
ただし、これらのアプローチは、単一の情報を記述する \emph{原子的事実} に限定されます。
この論文は \emph{原子的事実} を超えて、主語と目的語がトリプル自体である引用符付きトリプルで表される \emph{入れ子になった事実} を詳しく掘り下げています (例: ((\emph{BarackObama}, \emph{holds\_position},
\emph{大統領})、\emph{成功\_by}、(\emph{ドナルド・トランプ}、\emph{保持\_ポジション}、\emph{大統領})))。
これらの入れ子になったファクトにより、時間の経過に伴う \emph{状況} やエンティティや関係にわたる \emph{論理パターン} などの複雑な意味論の表現が可能になります。
これに応えて、アトミックな知識とネストされた事実の知識の両方のセマンティクスを捕捉する新しい KG 埋め込みアプローチである NestE を紹介します。
NestE は、各アトミック ファクトを $1\times3$ 行列として表し、ネストされた各関係は、行列の乗算によって $1\times3$ アトミック ファクト行列を回転する $3\times3$ 行列としてモデル化されます。
行列の各要素は、(球面) 四元数、双曲線四元数、分割四元数を含む、一般化 4D 超複素空間内の複素数として表されます。
徹底した分析を通じて、一次論理のような表現の限界を超え、ネストされたファクト上の多様な論理パターンを捕捉する埋め込みの有効性を実証します。
私たちの実験結果は、トリプル予測と条件付きリンク予測において、現在のベースラインと比較して NestE のパフォーマンスが大幅に向上していることを示しています。
コードと事前トレーニングされたモデルは、https://github.com/xiongbo010/NestE で公開されています。

要約(オリジナル)

Reasoning with knowledge graphs (KGs) has primarily focused on triple-shaped facts. Recent advancements have been explored to enhance the semantics of these facts by incorporating more potent representations, such as hyper-relational facts. However, these approaches are limited to \emph{atomic facts}, which describe a single piece of information. This paper extends beyond \emph{atomic facts} and delves into \emph{nested facts}, represented by quoted triples where subjects and objects are triples themselves (e.g., ((\emph{BarackObama}, \emph{holds\_position}, \emph{President}), \emph{succeed\_by}, (\emph{DonaldTrump}, \emph{holds\_position}, \emph{President}))). These nested facts enable the expression of complex semantics like \emph{situations} over time and \emph{logical patterns} over entities and relations. In response, we introduce NestE, a novel KG embedding approach that captures the semantics of both atomic and nested factual knowledge. NestE represents each atomic fact as a $1\times3$ matrix, and each nested relation is modeled as a $3\times3$ matrix that rotates the $1\times3$ atomic fact matrix through matrix multiplication. Each element of the matrix is represented as a complex number in the generalized 4D hypercomplex space, including (spherical) quaternions, hyperbolic quaternions, and split-quaternions. Through thorough analysis, we demonstrate the embedding’s efficacy in capturing diverse logical patterns over nested facts, surpassing the confines of first-order logic-like expressions. Our experimental results showcase NestE’s significant performance gains over current baselines in triple prediction and conditional link prediction. The code and pre-trained models are open available at https://github.com/xiongbo010/NestE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google