25364

ارائه روشي براي پالايش گراف دانش به منظور بهبود كارايي جانمايي گراف دانش

كارشناسي ارشد

هوش مصنوعي و رباتيك

1398

1400/06/29

بهروز مينايي

مهندسي كامپيوتر

گراف‌هاي دانش يكي از زمينه‌هاي در حال گسترش در هوش مصنوعي هستند. اين گراف‌ها در سيستم‌هاي پردازش اطلاعات استفاده مي‌شوند. در حال حاضر گراف‌هاي دانش كامل نيستند و تكميل گراف‌هاي دانش يكي از زمينه‌هاي تحقيق بر روي ساختارهاي دانش است. وظيفه پيش‌بيني پيوند در گراف‌هاي دانش، اضافه كردن اطلاعات به گراف دانش فعلي با استفاده از استنتاج از روي حقيقت‌هاي موجود در آن مي‌باشد. تكنيك‌هاي پيش‌بيني پيوند در سال‌هاي اخير با استفاده از جانمايي گراف دانش دقت‌هاي قابل توجهي داشتند. تكنيك‌هايي در سال‌هاي اخير پيشنهاد شده‌اند، از روش‌هاي يادگيري عميق كه پيچيدگي محاسباتي بالايي دارند استفاده كرده‌اند. اين روش‌ها در گراف‌هاي كوچك بسيار سريع عمل مي‌كنند اما در گراف‌هاي بزرگ سرعت پايين و فضاي بزرگي از حافظه اصلي را لازم دارند. در سال‌هاي 2013 تا 2019 مدل‌هاي انتقالي (كه سريع با پيچيدگي كمي هستند) معرفي شده بودند. دقت مدل‌هاي انتقالي به ميزان قابل توجهي كمتر از تكنيك‌هاي يادگيري عميق است و اين مدل‌ها از سال 2019 كنار گذاشته شدند. در اين پژوهش ما دقت اين مدل‌هاي انتقالي را به ميزان قابل توجهي افزايش داديم تا دقتشان به تكنيك‌هاي يادگيري عميق نزديك شود. اهميت اين پژوهش به پايداري روش‌هاي انتقالي و سرعت بسيار بالا آن‌ها در كنار بي‌نياز بودنشان به سخت افزارهاي قوي است. روش پيشنهادي معيارهاي p@10 و MRR را روي مدل TransH را كه به ترتيب 21.1 و 38.6 بودند را به ترتيب 10.3 و 9.1 روي گراف دانش انگليسي فري بيس بهبود داد. همچنين، اين روش دو معيار p@10 و MR را در مدل RotatE را كه به ترتيب 54.7 و 4274 بودند را براي گراف دانش كلمات انگليسي (وردنت) به ترتيب 2.3 و 3591 رتبه بهبود داد.

1400/07/19

Proposing a method for knowledge graph refinement to improve the accuracy of knowledge graph embedding

9/20/2022 12:00:00 AM

Knowledge graphs are growing fields in artificial intelligence. These graphs are used in information processing systems. Currently, knowledge graphs are not complete, and the completion of knowledge graphs is one of the research fields on knowledge structures. The task of link prediction in knowledge graphs is to add information to the current knowledge graph by inferring its facts. Link prediction techniques in recent years were significantly accurate by using knowledge graph embedding. Techniques have been proposed in recent years have used deep learning methods that had high computational complexity. These methods are very fast in small graphs, but they have low speed and ample space from RAM in large graphs. From 2013 to 2019, transitional models, which were fast with little complexity, were introduced. The accuracy of transitional models is significantly lower than deep learning techniques, and these models have been discarded since 2019. In this research, we increased the accuracy of these transitional models so that they become close to deep learning techniques. The importance of this research is to the sustainability of the transitional methods and their high speeds in their needlessness to strong hardware. The proposed method improved the p@10 and MRR on the TransH model, which was 21.1 and 38.6, respectively, by 10.3 and 9.1 on the Freebase knowledge graph, respectively. Additionally, this method improved the two criteria, p@10 and MR in the RotatE model, which was 54.7 and 4274, respectively, for the English word knowledge graph (Wordnet), by 2.3 and 3591, respectively.

گراف دانش , پيشبيني پيوند

گراف دانش , پيشبيني پيوند , جانمايي گراف دانش