本稿では、大規模言語モデルを用いて、潜在的な型制約とサブグラフ推論に基づいて知識グラフの欠損トリプルを予測する、新しいコンテキストアウェアな帰納的知識グラフ補完手法「CATS」を提案する。
本稿では、事実トリプルと常識の両方を知識グラフ補完(KGC)に組み込む、プラグ可能な常識強化KGCフレームワークを提案する。このフレームワークは、エンティティ概念の豊富さに基づいて異なるKGに適応でき、事実トリプルから明示的または暗黙的な常識を自動的に生成する機能を持つ。
本研究では、経路エンコーディングを使用せずに、接続バイアス注意機構と実体役割埋め込みを導入することで、効率的な知識グラフ補完を実現する。
MUSE は、事前知識学習、コンテキストメッセージ伝達、関係パス集約の3つの並列コンポーネントを通じて、エンティティの意味表現を強化し、欠落した関係を正確に予測する。
本研究では、構造的情報と言語的情報の両方を活用することで、知識グラフの関係予測タスクの性能を向上させる。
大規模言語モデルの知識グラフ補完性能を向上させるために、知識グラフの構造情報を効果的に取り入れる方法を提案する。
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。