[論文レビュー] A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal

Ke Liang, Lingyuan Meng+7 more|arXiv (Cornell University)|Dec 12, 2022

Advanced Graph Neural Networks被引用数 46

ひとこと要約

本論文は、知識グラフ推論（KGR）を静的、時間的、マルチモーダルの3種類のグラフに跨って調査し、二層の分類法を用いてデータセット・課題・オープンソースリポジトリを提供します。

ABSTRACT

Knowledge graph reasoning (KGR), aiming to deduce new facts from existing facts based on mined logic rules underlying knowledge graphs (KGs), has become a fast-growing research direction. It has been proven to significantly benefit the usage of KGs in many AI applications, such as question answering, recommendation systems, and etc. According to the graph types, existing KGR models can be roughly divided into three categories, i.e., static models, temporal models, and multi-modal models. Early works in this domain mainly focus on static KGR, and recent works try to leverage the temporal and multi-modal information, which are more practical and closer to real-world. However, no survey papers and open-source repositories comprehensively summarize and discuss models in this important direction. To fill the gap, we conduct a first survey for knowledge graph reasoning tracing from static to temporal and then to multi-modal KGs. Concretely, the models are reviewed based on bi-level taxonomy, i.e., top-level (graph types) and base-level (techniques and scenarios). Besides, the performances, as well as datasets, are summarized and presented. Moreover, we point out the challenges and potential opportunities to enlighten the readers. The corresponding open-source repository is shared on GitHub https://github.com/LIANGKE23/Awesome-Knowledge-Graph-Reasoning.

研究の動機と目的

• 静的、時間的、マルチモーダル知識グラフ（KGs）を定義し、区別する。
• KGRモデルのための二層分類法（グラフタイプ；技術とシナリオ）を提供する。
• 最先端のKGRモデルとその性能、データセット、および応用を概観する。
• 静的、時間的、マルチモーダルKGRの課題と機会を強調し、GitHubのオープンソースリソースを共有する。

提案手法

• トップレベルのグラフタイプ（静的、時間的、マルチモーダル）でKGRモデルを分類する。
• 各タイプを基盤レベルの技術（埋め込み型、経路型、規則型；特定のタイプではRNNベースおよびTransformerベース）でサブ分類する。
• 推論シナリオを、静的の転導的/帰納的と時間的の補間/外挿に分けてサブ分類する。
• 調査したモデル全体のデータセット、性能、およぶ共通評価指標を要約する。
• モデル（論文とコード）とデータセットを含むオープンソースリポジトリを提供する。

Figure 1: Examples of three categories of the knowledge graphs, i.e., static, temporal, and multi-modal knowledge graph.

実験結果

リサーチクエスチョン

• RQ1 静的、時間的、マルチモーダルKGタイプ間でKGRモデリングにおける主要な違いは何か。
• RQ2 各KGタイプと推論シナリオの固有の課題に最も適した技術は何か。
• RQ3 静的・時間的・マルチモーダルKGRでデータセットと評価設定はどのように異なり、開かれた研究機会は何か。

主な発見

• 調査は、KGRモデルの二層分類法を提示する：グラフタイプをトップレベル、技術/シナリオをボトムレベルとしている。
• 180件の最先端KGRモデルと67のデータセットを取りまとめ、KGタイプ全体の構造化された概要を提供する。
• 既存モデルの長所と短所を分析し、研究のベースライン選択を導く。
• 静的、時間的、マルチモーダルKGRの課題と機会を特定し、GitHub上のオープンソースリソースを提供する。

Figure 2: Overview framework of the survey.