Core Concepts
現実世界のシナリオを反映するために、知識グラフの段階的な完成(PKGC)タスクを提案する。このタスクには検証プロセス、マイニングプロセス、トレーニングプロセスが含まれ、効率的な実行のためのモジュールも導入する。
Abstract
本論文は、知識グラフの完成(KGC)に関する新しいタスクであるPKGCを提案している。従来のKGCタスクであるリンク予測や三重分類は、現実世界のシナリオを正確に反映していないと指摘し、より現実的なタスクを設計している。
PKGCタスクは以下の3つのプロセスから構成される:
検証プロセス: 人間の検証者の必要性と限界を反映する
マイニングプロセス: 最も有望な候補を特定する
トレーニングプロセス: 検証されたデータを活用する
さらに、マイニングプロセスの効率化のために、最適化されたTop-k アルゴリズムとセマンティック妥当性フィルタを提案している。
実験の結果、リンク予測の性能がPKGCの性能を正確に反映していないことが示された。分析により、PKGCの結果に影響を与える主要な要因が明らかになり、今後の研究の方向性が示唆された。また、段階的な学習手法を導入し、その有効性についても検討している。
Stats
知識グラフの完成率は、理想的な曲線と実際の曲線の面積比(MOAR)で評価できる。
完成率(CR@k)は、k ステップ後の完成率を表す。
Quotes
従来のKGCタスクは現実世界のシナリオを正確に反映していない。
PKGCは、知識グラフの段階的な完成プロセスをシミュレーションする新しいタスクである。