核心概念
ルールベースの方法がGNNに劣る理由を分析し、新しい戦略を提案する。
要約
知識グラフ補完のタスクは、訓練グラフから推論パターンを学習し、テストグラフで予測を行うことを要求する。
ルールベースの方法は、主にゼロ信頼度エンティティと証拠の集約の問題により性能が低い。
GNNモデルを使用してエンティティをランキングすることで、AnyBURLの性能向上が確認された。
R-GCNおよびCompGCNモデルは、L1およびL2の制限事項に対処するために開発された。
統計
ルールベースの方法は、ゼロ信頼度エンティティに非ゼロ信頼度を割り当てない。
複数のルールが予測候補に対して提供する信頼度に基づくアプローチが提案されている。
引用
"標準的なルールベースの方法は、主要な問題点であるゼロ信頼度エンティティと証拠の集約に対処していない。"
"R-GCN + NBFNetおよびCompGCN + NBFNet戦略は、AnyBURLの制限事項L1およびL2に効果的に対処している。"