[論文レビュー] TTMF: A Triple Trustworthiness Measurement Frame for Knowledge Graphs.

Shengbin Jia, Yang Xiang+2 more|arXiv (Cornell University)|Sep 25, 2018

Advanced Graph Neural Networks被引用数 3

ひとこと要約

本稿では、三重の信頼性測定フレームワークTMMFを提案する。TMMFは、クロスクロス神経ネットワークを用いて知識グラフの三元組の意味的正しさと事実的真実性を定量化する。エンティティ、関係、グローバルレベルの内部三元組の意味的特徴とグローバルKG推論を統合することで、従来のモデルと比較してFB15Kにおける知識グラフの誤り検出において顕著で一貫性のある向上を達成する。

ABSTRACT

The Knowledge graph (KG) uses the triples to describe the facts in the real world. It has been widely used in intelligent analysis and applications. However, possible noises and conflicts are inevitably introduced in the process of constructing. And the KG based tasks or applications assume that the knowledge in the KG is completely correct and inevitably bring about potential deviations. In this paper, we establish a knowledge graph triple trustworthiness measurement model that quantify their semantic correctness and the true degree of the facts expressed. The model is a crisscrossing neural network structure. It synthesizes the internal semantic information in the triples and the global inference information of the KG to achieve the trustworthiness measurement and fusion in the three levels of entity level, relationship level, and KG global level. We analyzed the validity of the model output confidence values, and conducted experiments in the real-world dataset FB15K (from Freebase) for the knowledge graph error detection task. The experimental results showed that compared with other models, our model achieved significant and consistent improvements.

研究の動機と目的

• 知識グラフ構築におけるノイズと矛盾の問題が下流アプリケーションに与える影響を軽減すること。
• 単なる正しさを越えて、意味的正しさと事実的真実性に焦点を当て、知識グラフ三元組の信頼性を定量化すること。
• エンティティ、関係、グローバル知識グラフの3段階のレベルで信頼性を評価する統合フレームワークを構築すること。
• モデルが出力する信頼性スコアが三元組の信頼性の指標として信頼できるものであるかを検証すること。
• 統合された意味的およびグローバル推論モデリングを通じて、知識グラフの誤り検出性能を向上させること。

提案手法

• 三元組内の内部意味的情報と知識グラフ全体のグローバル推論パターンを同時にモデル化するクロスクロス神経ネットワークアーキテクチャの設計。
• エンティティレベル、関係レベル、グローバル知識グラフレベルの表現を統合し、マルチレベルの信頼性評価を可能にする。
• 局所的な三元組の意味的特徴とグローバルな構造的パターンを活用することで、誤ったまたは信頼性の低い事実の検出能力を向上させる。
• 実世界の知識グラフデータ上でエンドツーエンドに訓練し、三元組の真実性を反映する信頼性スコアを学習する。
• FB15Kデータセットを用いて訓練および評価し、既存のモデルと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 複数の粒度レベルにわたり、知識グラフ三元組における信頼性をどのように定量的に測定できるか？
• RQ2 内部的意味的特徴とグローバルKG推論パターンを統合することで、信頼性評価はどの程度向上するか？
• RQ3 モデルが出力する信頼性スコアは、三元組の正しさを信頼できる指標として妥当か？
• RQ4 提案されたフレームワークは、知識グラフ内の誤り検出において既存のモデルを上回るか？

主な発見

• TTMFモデルは、ベースラインモデルと比較してFB15Kデータセットにおける知識グラフ誤り検出で顕著で一貫性のある向上を達成した。
• モデルが出力する信頼性スコアは、実証的に三元組の信頼性の指標として信頼できることが裏付けられた。
• エンティティレベル、関係レベル、グローバルレベルの表現の統合により、誤った事実の検出能力が向上した。
• クロスクロス神経ネットワーク構造は、局所的意味とグローバル推論を効果的に統合し、性能向上に寄与した。
• 誤り検出タスクにおいて、異なる評価指標においてもモデルは頑健で一貫性のある性能を示した。