شماره ركورد
30421
پديد آورنده
هما ردائي
عنوان
جانمايي گراف دانش مبتني بر ترجيحات گزينشي و كاربست آن در بهبود پيشبيني پيوند
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي كامپيوتر - گرايش هوش مصنوعي
سال تحصيل
1399
تاريخ دفاع
1402/07/25
استاد راهنما
دكتر محمدرضا جاهد مطلق
استاد مشاور
دكتر بهروز مينايي
دانشكده
مهندسي كامپيوتر
چكيده
پيشبيني پيوند در گرافهاي دانش روش متداولي است كه براي غنيسازي گرافهاي دانش مورد استفاده قرار ميگيرد. لذا راهكارهاي زيادي در اين راستا ارائه شدهاند كه جانمايي گراف دانش از مشهورترين و معتبرترين اين روشها ميباشد. مدلهاي جانمايي گراف دانش متعددي در قالب سه دسته فاصله انتقال، تطابق معنايي و يادگيري شبكههاي عصبي ارائه گرديدهاند. عليرغم اين همه تلاش، در اكثر روشهاي موجود پيشبيني بر مبناي حذف يك بخش از سهتايي و جايگزيني تصادفي آن صورت ميگيرد. ترجيحات گزينشي به معناي الگوها يا الزاماتي است كه در مورد نحوه تركيب كلمات و عبارات در زبان وجود دارد. به عنوان مثال، براي فعل نوشيدن، ترجيحات گزينشي نشان ميدهد كه يك عبارت از نوع مكان براي اين فعل كمتر استفاده ميشود. در اين تحقيق با استفاده از روش ترجيحات گزينشي سعي شده است كه پيشبيني پيوند به روابط معنايي موجوديتها با يكديگر و كاربرد آنها در محاورات زبان طبيعي نزديك گردد. جهت بالا بردن دقت پيشبيني پيوند، به تغيير روش بهدست آوردن جانمايي گراف دانش با استفاده از ترجيحات گزينشي ميپردازيم، بدين منظور مقادير ترجيحات گزينشي براي ميزان جفت شدن هر دو موجوديت بهدست آمده و پس از جانمايي گراف دانش و به دست آمدن بردارها، علاوه بر تاثير محل قرارگيري بردارهاي جانمايي، مقادير ترجيحات گزينشي را نيز براي پيشبيني پيوند در گراف دانش دخيل ميكنيم. در نهايت، ارزيابي روش مذكور بر روي گراف دانش فارسپريديكت پيادهسازي و اجرا شده است. با توجه به ارزيابيهاي انجام شده بر روي سه مدل جانمايي گراف دانش با نامهايTransE-SP ، DistMult-SP و ConvE-SP توانستيم شاهد بهبود در پيشبيني پيوند به نسبت مدلهاي پايه باشيم.
تاريخ ورود اطلاعات
1402/11/11
عنوان به انگليسي
Knowledge Graph Embedding based on selectional Preferences Technique and its Application in Improving Link Prediction
تاريخ بهره برداري
1/1/1900 12:00:00 AM
دانشجوي وارد كننده اطلاعات
هما ردائي
چكيده به لاتين
Link prediction is a common method used to enrich knowledge graphs. Numerous solutions have been proposed to enhance the representation of knowledge graphs, with the aim of improving their accuracy and reliability. Various knowledge graph embedding models have been developed, categorized into distance-based, semantic matching, and neural network learning approaches. However, in most existing methods, link prediction is based on the removal of one part of a triplet and its random replacement. In this research, we employ selectional preferences technique to predict links based on the relationships between entities and their relevance in natural language conversations. To enhance the accuracy of link prediction, we focus on modifying the method of knowledge graph representation by incorporating selectioinal preferences. This involves obtaining preference values for the pairwise matching of entities, which are then used during knowledge graph embedding. Additionally, these preference values are considered when generating the embeddings vectors, along with the positional influence of the vectors. Finally, we implement and evaluate the proposed method on the Farspredict knowledge graph.
كليدواژه هاي فارسي
ترجيحات گزينشي , پيشبيني پيوند , گراف دانش , جانمايي گراف دانش
كليدواژه هاي لاتين
selectional preferences , link prediction , knowledge graph , knowledge graph embedding
Author
Homa Radaei
SuperVisor
Dr. Mohammad Reza Jahed-Motlagh