LibKGE – A knowledge graph embedding library for reproducible research


Broscheit, Samuel ; Ruffinelli, Daniel ; Kochsiek, Adrian ; Betz, Patrick ; Gemulla, Rainer


[img] PDF
LibKGE – A knowledge graph embedding library for reproducible research.pdf - Veröffentlichte Version

Download (437kB)

DOI: https://doi.org/10.18653/v1/2020.emnlp-demos.22
URL: https://madoc.bib.uni-mannheim.de/61522
Weitere URL: https://aclanthology.org/2020.emnlp-demos.22/
URN: urn:nbn:de:bsz:180-madoc-615222
Dokumenttyp: Konferenzveröffentlichung
Erscheinungsjahr: 2020
Buchtitel: The 2020 Conference on Empirical Methods in Natural Language Processing : proceedings of systems demonstrations, November 16-20, 2020, EMNLP 2020
Seitenbereich: 165-174
Veranstaltungstitel: The 2020 Conference on Empirical Methods in Natural Language Processing
Veranstaltungsort: Online
Veranstaltungsdatum: 16.-20.11.2020
Herausgeber: Schlangen, David ; Liu, Qun
Ort der Veröffentlichung: Stroudsburg, PA 18360 USA
Verlag: Association for Computational Linguistics (ACL)
ISBN: 978-1-952148-62-0
Verwandte URLs:
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science I: Data Analytics (Gemulla 2014-)
Bereits vorhandene Lizenz: Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet: 004 Informatik
Abstract: LibKGE (https://github.com/uma-pi1/kge) is an open-source PyTorch-based library for training, hyperparameter optimization, and evaluation of knowledge graph embedding models for link prediction. The key goals of LibKGE are to enable reproducible research, to provide a framework for comprehensive experimental studies, and to facilitate analyzing the contributions of individual components of training methods, model architectures, and evaluation methods. LibKGE is highly configurable and every experiment can be fully reproduced with a single configuration file. Individual components are decoupled to the extent possible so that they can be mixed and matched with each other. Implementations in LibKGE aim to be as efficient as possible without leaving the scope of Python/Numpy/PyTorch. A comprehensive logging mechanism and tooling facilitates in-depth analysis. LibKGE provides implementations of common knowledge graph embedding models and training methods, and new ones can be easily added. A comparative study (Ruffinelli et al., 2020) showed that LibKGE reaches competitive to state-of-the-art performance for many models with a modest amount of automatic hyperparameter tuning.
Zusätzliche Informationen: Online-Ressource




Dieser Eintrag ist Teil der Universitätsbibliographie.

Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt.




Metadaten-Export


Zitation


+ Suche Autoren in

+ Download-Statistik

Downloads im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen