Generating $SROI^-$ Ontologies via Knowledge Graph Query Embedding Learning

要約

クエリ埋め込みアプローチは、エンティティ、関係、クエリの低次元ベクトル表現を計算して操作することにより、不完全なナレッジ グラフ (KG) に対する複雑な論理クエリに答えます。
ただし、現在のクエリ埋め込みモデルは過度にパラメーター化されたニューラル ネットワークに大きく依存しており、グラフから学習した知識を説明できません。
我々は、グラフから学習した知識を $SROI^-$ 記述論理公理の形で説明する新しいクエリ埋め込み手法 AConE を提案します。これは、ほとんどの既存のアプローチよりもパラメータ効率が高くなります。
AConE は、クエリを $SROI^-$ 記述ロジック概念に関連付けます。
すべての $SROI^-$ 概念は複素ベクトル空間に円錐として埋め込まれ、各 $SROI^-$ 関係は円錐を回転およびスケールする変換として埋め込まれます。
我々は、AConE が $SROI^-$ 公理を学習でき、その演算が $SROI^-$ 記述論理概念構造に 1 対 1 で対応する代数を定義できることを理論的に示します。
複数のクエリ データセットに関する実証研究では、AConE がより少ないパラメーターで以前のベースラインよりも優れた結果を達成することが示されています。
特に WN18RR データセットでは、AConE はベースライン モデルに比べて大幅な改善を達成しています。
公理を表現する機能がクエリ応答の結果にプラスの影響を与えることを示す包括的な分析を提供します。

要約(オリジナル)

Query embedding approaches answer complex logical queries over incomplete knowledge graphs (KGs) by computing and operating on low-dimensional vector representations of entities, relations, and queries. However, current query embedding models heavily rely on excessively parameterized neural networks and cannot explain the knowledge learned from the graph. We propose a novel query embedding method, AConE, which explains the knowledge learned from the graph in the form of $SROI^-$ description logic axioms while being more parameter-efficient than most existing approaches. AConE associates queries to a $SROI^-$ description logic concept. Every $SROI^-$ concept is embedded as a cone in complex vector space, and each $SROI^-$ relation is embedded as a transformation that rotates and scales cones. We show theoretically that AConE can learn $SROI^-$ axioms, and defines an algebra whose operations correspond one to one to $SROI^-$ description logic concept constructs. Our empirical study on multiple query datasets shows that AConE achieves superior results over previous baselines with fewer parameters. Notably on the WN18RR dataset, AConE achieves significant improvement over baseline models. We provide comprehensive analyses showing that the capability to represent axioms positively impacts the results of query answering.

arxiv情報

著者 Yunjie He,Daniel Hernandez,Mojtaba Nayyeri,Bo Xiong,Yuqicheng Zhu,Evgeny Kharlamov,Steffen Staab
発行日 2024-08-27 13:40:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.DB, cs.LG, cs.LO パーマリンク