Core Concepts
本論文は、知識グラフ内のエンティティ分類タスクにおいて、意味的知識と構造的知識を統合的に活用する新しいフレームワークを提案する。
Abstract
本論文は、知識グラフ内のエンティティ分類タスクに取り組んでいる。従来の手法は、エンティティの局所的な構造的知識のみを利用していたが、テキスト表現に含まれる意味的知識も重要であることを指摘する。
提案手法SSET は以下の3つのモジュールから構成される:
意味的知識エンコーディングモジュール(SEM): 事実知識をマスクされたエンティティ分類タスクを通じてPLMに埋め込む。
構造的知識集約モジュール(SKA): 1-hop近傍、multi-hop近傍、既知の型情報を活用してエンティティの欠落した型を推定する。
教師なし型再ランキングモジュール(UTR): 意味的知識と構造的知識の一致度に基づいて型の再ランキングを行い、偽陰性の問題に対処する。
実験の結果、提案手法SSETは既存手法を大幅に上回る性能を示した。特に、意味的知識と構造的知識の統合、および教師なし型再ランキングが有効であることが確認された。
Stats
知識グラフ内の10%のエンティティが、"/music/artist"型を持たずに"/people/person"型も持っていない。
提案手法SSETはFB15kETデータセットでHit@1が69.7%、YAGO43kETデータセットでHit@1が47.6%を達成した。
Quotes
"テキスト表現に含まれる意味的知識も重要であることを指摘する。"
"意味的知識と構造的知識の一致度に基づいて型の再ランキングを行い、偽陰性の問題に対処する。"