シーケンスからシーケンスへの知識グラフ完成と質問応答【JST・京大機械翻訳】

Saxena Apoorv; Kochsiek Adrian; Gemulla Rainer

プレプリント

J-GLOBAL ID：202202204413621665 整理番号：22P0306971

シーケンスからシーケンスへの知識グラフ完成と質問応答【JST・京大機械翻訳】

Sequence-to-Sequence Knowledge Graph Completion and Question Answering

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月19日プレプリントサーバーでの情報更新日： 2022年03月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

知識グラフ埋込み(KGE)モデルは,低次元埋込みベクトルと知識グラフ(KG)の各エンティティと関係を表現する。これらの方法は,不完全なKG(KGQA)に対するKGリンク予測と質問回答に最近応用されている。KGEは,典型的にグラフにおける各エンティティに対する埋込みを創り,それは数百万のエンティティを持つ実世界グラフ上で大きなモデルサイズをもたらす。下流タスクに対して,これらの原子エンティティ表現は,しばしば多段パイプラインに統合され,その有用性を制限する必要がある。著者らは,オフ-シェル符号器-デコーダ変換機モデルが,KGリンク予測と不完全なKG質問応答に対する最先端の結果を得るスケーラブルで多目的なKGEモデルとして役立つことを示した。シーケンスツーシーケンスタスクとしてKGリンク予測を行い,自己回帰復号化による事前KGE手法によって取られた三重スコアリングアプローチを交換することにより,これを達成した。このような単純だが強力な方法は,従来のKGEモデルに比べて98%までモデルサイズを縮小し,一方,推論時間を扱いやすい。不完全なKG上のKGQAのタスクにこのモデルを微調整した後,提案アプローチは,広範なハイパーパラメータチューニングなしに,複数の大規模データセットのベースラインよりも性能が優れている。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

グラフ理論基礎 , 人工知能

, ,

前のページに戻る