SparseMult: A Sparse Tensor Decomposition Model for Knowledge Graph Link Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Knowledge graphs (KGs) have shown great power in many downstream natural language processing (NLP) tasks, such as recommendation system and question answering. Despite the large amount of knowledge facts in KGs, KGs still suffer from an issue of incompleteness, namely, lots of relations between entities are missing. Link prediction, also known as knowledge graph completion (KGC), aims to predict missing relations between entities. The models based on tensor decomposition, such as Rescal and DistMult, are promising to solve the link prediction task. However, previous Rescal model lacks the ability to scale to large KGs due to the large amount of parameters. DistMult simplifies Rescal by using diagonal matrices to represent relations, while it suffers from the limitation of dealing with antisymmetric relations. To address these problems, in this paper, we propose a SparseMult model, which is a novel tensor decomposition model based on sparse relation matrix. Specifically, we view KGs as 3D tensors and decompose them as entity vectors and relation matrices. To reduce the number of parameters in relation matrices, we represent each relation matrix as a sparse block diagonal matrix. Thus, the complexity of relation matrices grow linearly with the embedding size, making it able to scale up to large KGs. Moreover, we analyze the ability of modeling different relation patterns and show that our SparseMult is capable to model symmetry, antisymmetry, and inversion relations. We conduct extensive experiments on three widely used benchmark datasets FB15k‐237, WN18RR, and CCKS2021 KGs. Experimental results demonstrate that our SparseMult model outperforms most of the state‐of‐the‐art methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle