Core Concepts
Effiziente Methode zur Vorhersage fehlender Entitäten in hyper-relationalen Fakten mit nur wenigen Unterstützungsinstanzen durch Erfassung meta-relationaler Informationen.
Abstract
Der Artikel führt eine neue Aufgabe ein, die Wenige-Schuss-Link-Vorhersage auf hyper-relationalen Fakten (FSLPHFs), die darauf abzielt, eine fehlende Entität in einem hyper-relationalen Fakt vorherzusagen, wenn nur eine begrenzte Anzahl von Unterstützungsinstanzen verfügbar ist.
Um diese Aufgabe zu bewältigen, schlagen die Autoren das MetaRH-Modell vor, das aus drei Modulen besteht:
Beziehungslernen: Generiert erste Darstellungen weniger Schuss-Beziehungen durch Aggregation von Hintergrundfakten und Codierung von Unterstützungsinstanzen.
Unterstützungsspezifische Anpassung: Passt die Beziehungsdarstellungen basierend auf den Unterstützungsinstanzen an, um meta-relationale Informationen zu erfassen.
Abfrageableitung: Sagt die fehlende Entität in einer Abfrage unter Verwendung der erhaltenen meta-relationalen Informationen vorher.
Da es keine vorhandenen Datensätze für diese neue Aufgabe gibt, konstruieren die Autoren drei Datensätze auf der Grundlage bestehender Benchmarks für die Link-Vorhersage auf hyper-relationalen Fakten. Die Experimente zeigen, dass MetaRH die Leistung bestehender Modelle deutlich übertrifft.
Stats
Mehr als ein Drittel der Entitäten im Wissensgrafen Freebase sind in hyper-relationalen Fakten involviert.
32,5% der Beziehungen im Benchmark-Datensatz WD50K haben weniger als 5 Instanzen.
Echte Wissensgrafen führen ständig neue Beziehungen mit begrenzten Instanzen ein.
Quotes
"Hyper-relationale Fakten, die aus einem primären Triple (Kopfentität, Beziehung, Schwanzentität) und zusätzlichen Attribut-Wert-Paaren bestehen, sind in realen Wissensgrafen weit verbreitet."
"Die Hauptherausforderung von FSLPHFs liegt darin, die Darstellung der Beziehung r in hyper-relationalen Fakten aus diesen begrenzten Unterstützungsinstanzen effektiv zu lernen."