[論文レビュー] SCEF: A Support-Confidence-aware Embedding Framework for Knowledge Graph Refinement

Yu Zhao, Ji Liu|arXiv (Cornell University)|Feb 18, 2019

Advanced Graph Neural Networks参考文献 47被引用数 4

ひとこと要約

SCEFは、三重項のサポートと信頼度をモデル化することで、知識グラフ補完と誤り訂正を統合的に実行する画期的な知識グラフ埋め込みフレームワークである。構造的含意と外部テキスト的証拠を翻訳ベースのエネルギー関数に統合し、実世界のデータセットにおいて最先端の性能を達成した。

ABSTRACT

Knowledge graph (KG) refinement mainly aims at KG completion and correction (i.e., error detection). However, most conventional KG embedding models only focus on KG completion with an unreasonable assumption that all facts in KG hold without noises, ignoring error detection which also should be significant and essential for KG refinement.In this paper, we propose a novel support-confidence-aware KG embedding framework (SCEF), which implements KG completion and correction simultaneously by learning knowledge representations with both triple support and triple confidence. Specifically, we build model energy function by incorporating conventional translation-based model with support and confidence. To make our triple support-confidence more sufficient and robust, we not only consider the internal structural information in KG, studying the approximate relation entailment as triple confidence constraints, but also the external textual evidence, proposing two kinds of triple supports with entity types and descriptions respectively.Through extensive experiments on real-world datasets, we demonstrate SCEF's effectiveness.

研究の動機と目的

• ノイズのない事実を仮定し、誤り検出を無視する従来のKG埋め込みモデルの制限を解消すること。
• サポートと信頼度の両信号を統合することで、同時に知識グラフ補完と訂正を改善すること。
• 内部の構造的パターン（例：関係の含意）と外部のテキスト的証拠（例：エンティティの種別と説明）を活用することで、耐性を高めること。
• 三重項の信頼性と妥当性の両方をモデル化する統合型埋め込みフレームワークを開発すること。

提案手法

• 翻訳ベースのKG埋め込みにサポートおよび信頼度の成分を拡張して、モデルのエネルギー関数を定式化する。
• KG内の構造的パターンから導かれる近似的な関係の含意を用いて、三重項の信頼度を定義する。
• 2種類の三重項サポートを導入する：1つはエンティティの種別に基づくもの、もう1つは外部テキストからのエンティティの説明に基づくもの。
• エネルギー関数をエンドツーエンドで最適化し、補完と誤り検出の両方のための表現を同時に学習する。
• 訓練および推論の過程で、サポートと信頼度の信号のバランスを取るために統合型フレームワークを用いる。
• 実世界のKGにこのフレームワークを適用し、補完および訂正の両方の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 統合型埋め込みフレームワークは、知識グラフ補完と誤り訂正を効果的に統合できるか？
• RQ2 サポートと信頼度の信号は、KG埋め込みの耐性をどのように向上させるか？
• RQ3 外部のテキスト的証拠（種別と説明）は、三重項サポートのモデル化をどの程度向上させるか？
• RQ4 関係の含意を組み込むことで、三重項の信頼度推定にどのような影響を与えるか？
• RQ5 提案されたフレームワークは、補完および訂正の両タスクで従来のモデルを上回るか？

主な発見

• SCEFは、サポートと信頼度を統合的にモデル化することで、知識グラフ補完ベンチマークで最先端の性能を達成した。
• 外部のテキスト的証拠（エンティティの種別と説明）を統合することで、三重項サポートの推定が顕著に向上した。
• 関係の含意を信頼度制約としてモデル化することで、予測された事実の信頼性が向上した。
• ノイズを無視する従来のモデルと比較して、SCEFは優れた誤り検出能力を示した。
• 実世界のデータセットを用いた広範な実験により、提案されたフレームワークの有効性と耐性が確認された。
• 異なるKGにおいても強力な性能を維持するため、汎用性の可能性を示している。