Improving rule mining via embedding-based link prediction

要約

ナレッジ グラフのルール マイニングにより、説明可能なリンク予測が可能になります。
反対に、埋め込みベースのリンク予測方法は一般化機能があることでよく知られていますが、その予測は解釈できません。
近年、2 つのファミリーを組み合わせたいくつかのアプローチが提案されています。
結果として得られるハイブリッド アプローチの大部分は通常、統合学習フレームワーク内でトレーニングされますが、学習タスクの複雑さにより収束の問題が発生することがよくあります。
この研究では、2 つのアプローチ群を組み合わせる新しい方法を提案します。
具体的には、強化されたナレッジ グラフにルール マイニング システムを適用する前に、事前トレーニングされたエンティティと関係の埋め込みを使用して、特定のナレッジ グラフを強化します。
私たちのアプローチを検証するために、7 つのベンチマーク データセットに対して広範な実験を実施しました。
私たちのアプローチによって生成された結果の分析は、強化されたグラフ上で新しい貴重なルールを発見したことを示唆しています。
私たちのアプローチのオープンソース実装と事前トレーニングされたモデルとデータセットを https://github.com/Jean-KOUAGOU/EnhancedRuleLearning で提供しています。

要約(オリジナル)

Rule mining on knowledge graphs allows for explainable link prediction. Contrarily, embedding-based methods for link prediction are well known for their generalization capabilities, but their predictions are not interpretable. Several approaches combining the two families have been proposed in recent years. The majority of the resulting hybrid approaches are usually trained within a unified learning framework, which often leads to convergence issues due to the complexity of the learning task. In this work, we propose a new way to combine the two families of approaches. Specifically, we enrich a given knowledge graph by means of its pre-trained entity and relation embeddings before applying rule mining systems on the enriched knowledge graph. To validate our approach, we conduct extensive experiments on seven benchmark datasets. An analysis of the results generated by our approach suggests that we discover new valuable rules on the enriched graphs. We provide an open source implementation of our approach as well as pretrained models and datasets at https://github.com/Jean-KOUAGOU/EnhancedRuleLearning

arxiv情報

提供元, 利用サービス

arxiv.jp, Google