抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】