Knowledge Graph Embedding: An Overview
本研究の中心となる学術的な問いは、数学的なモデルを使用して、知識グラフ（KG）の要素や関係を表現するエンベッディングを設計することです。また、この学術的背景は、リンク予測やその他多くの後続タスクのためのエンベッディング設計に用いられるマシンラーニングです。
本研究の目的は、現在の知識グラフ完成（KGの欠損データを補完するための研究）における研究状況について全体的に概観することです。また、我々のアプローチは創造的で、遠距離ベースの方法と意味的マッチングベースの方法を中心に、末尾の予測と3D空間での予測を順序立てて分析しています。
本研究の着想は、情報を効率的に検索、抽出および解析するための基盤として、知識グラフが現実世界の多くのアプリケーションやサービスで重要な役割を果たしていることから得られました。また、国内外で進行中の関連研究については、知識グラフのエンベッディング（KGE）を使用したリンク予測の分野で交差する動向があります。
本研究では、距離ベースの手法と意味的マッチングベースの手法を中心に、知識グラフのエンベッディング設計について詳細に分析しました。さらに、2次元および3次元のアフィン演算から引き出された新しいモデルであるCompoundEとCompoundE3Dを詳述しました。
本研究の有効性は、既存のエンベッディングモデルと比較した結果を通じて検証しました。また、既存のモデルと最近提案されたKGEモデルとを接続し、その有効性を検証しました。
この記事が気に入ったらサポートをしてみませんか？