Встраивание графа знаний: обзор подходов и приложений
Knowledge Graph Embedding: A Survey of Approaches and Applications
2017-09-20
SCID: 54.1/g5arpjch
Discuss with AI
завершение KGтипы сущностейвстраивание графа знанийизвлечение отношенийтекстовые описания
Figures from the paper
Abstract (AI)
Встраивание графа знаний (KG) представляет собой отображение компонентов KG, включая сущности и отношения, в непрерывные векторные пространства с целью упрощения обработки при сохранении внутренней структуры графа. Это приносит пользу различным задачам следующего этапа, таким как дополнение графа знаний и извлечение отношений, и поэтому быстро привлекло значительное внимание. В данной статье мы даем систематический обзор существующих методов, охватывая как передовые достижения, так и последние тенденции. В частности, обзор структурирован по типу информации, используемой в задаче встраивания. Сначала представлены методы, обучающие встраивания, используя только факты, наблюдаемые в KG; описываются общие рамки, конкретные архитектуры моделей, типичные процедуры обучения, а также достоинства и недостатки таких методов. Затем рассматриваются подходы, которые дополнительно включают информацию помимо фактов, с особым вниманием к использованию типов сущностей, путей отношений, текстовых описаний и логических правил. Наконец, кратко показано, как встраивание KG может быть применено и принести пользу широкому кругу задач следующего этапа, таких как дополнение KG, извлечение отношений, вопросно-ответные системы и другие.
Key Findings
1
Включение дополнительной информации — типов сущностей, путей отношений, текстовых описаний и логических правил — улучшает методы встраивания по сравнению с использованием только фактов.
2
Встраивание графов знаний отображает сущности и отношения в непрерывные векторные пространства для сохранения структуры КГ и упрощения обработки.
3
Встраивания КГ приносят пользу множеству прикладных задач, включая дополнение КГ, извлечение отношений и вопросно-ответные системы.
4
Методы, использующие только наблюдаемые факты КГ, каталогизированы с описанием общих архитектур, дизайна моделей, процедур обучения и их преимуществ и недостатков.
Research Object
Методы встраивания (эмбеддинга) онтологий/графов знаний — алгоритмы, отображающие компоненты КГ (сущности и отношения) в непрерывные векторные пространства
Research Subject
Техники и их проектирование/обучение, сохраняющие структуру КГ с использованием различных типов информации (наблюдаемые факты, типы сущностей, пути отношений, текстовые описания, логические правила) и их применение в прикладных задачах
Publication Details
Publication Date
2017-09-20
Journal
Publisher
ISSN
Cited by
2724
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai11
Распределённые представления слов и фраз и их композиционность2013
Метод стохастической аппроксимации1951
Улучшение нейронных сетей путем предотвращения соадаптации детекторов признаков2012
Встраивание графа знаний посредством трансляций на гиперплоскостях2014
Обучение встраиваний сущностей и отношений для дополнения графа знаний2015
DBpedia — масштабная многоязычная база знаний, извлечённая из Википедии2015
Встраивание (эмбеддинг) графа знаний с помощью динамической матрицы отображения2015
Обзор реляционного машинного обучения для графов знаний2015
Уточнение графов знаний: обзор подходов и методов оценки2016
Голографические вложения графов знаний2016
TransG: генеративная модель для встраивания графов знаний2016
Работы, цитирующие эту статью13
Обзор графов знаний: представление, получение и приложения2021
Графы знаний2021
Перспективы, проблемы, роли и направления исследований искусственного интеллекта в образовании2020
Обзор рекомендательных систем на основе графов знаний2020
Встраивание графов знаний для предсказания связей2021
Прогнозирование транспортных потоков с помощью пространственно-временной графовой нейронной сети2020
Дополнение графов знаний: обзор2020
Построение графов знаний и их биомедицинские применения2020
Исследование интеллектуальных агентов на основе больших языковых моделей: определения, методы и перспективы2026
Прогнозирование реакции пользователей в интернет-рекламе2021
Построение графов знаний: извлечение, обучение и оценка2025
Тройная классификация для дополнения научных графов знаний2021
Генерация исследовательских гипотез на основе научных графов знаний2025