Обзор реляционного машинного обучения для графов знаний
A Review of Relational Machine Learning for Knowledge Graphs
2015-12-17
SCID: 54.1/rb75hqvc
Discuss with AI
построение графов знанийграфы знанийреляционное машинное обучениестатистические реляционные моделитензорная факторизация
Figures from the paper
Abstract (AI)
Реляционное машинное обучение изучает методы статистического анализа реляционных данных, или данных, структурированных в виде графов. В этой статье мы рассматриваем, как такие статистические модели можно «обучать» на больших графах знаний, а затем использовать для предсказания новых фактов о мире, что эквивалентно предсказанию новых рёбер в графе. В частности, мы обсуждаем два принципиально различных типа статистических реляционных моделей, каждый из которых способен масштабироваться до массивных наборов данных. Первый тип основан на моделях скрытых признаков, таких как тензорная факторизация и многомерные нейронные сети. Второй тип основан на выявлении наблюдаемых закономерностей в графе. Мы также показываем, как объединить эти модели скрытых и наблюдаемых признаков, чтобы повысить выразительную способность моделирования при снижении вычислительных затрат. Наконец, мы обсуждаем, как такие статистические модели графов можно сочетать с методами извлечения информации из текста для автоматического построения графов знаний из Интернета. В этой связи мы также рассматриваем проект Google Knowledge Vault как пример такого сочетания.
Key Findings
1
Комбинирование моделей скрытых признаков с моделями на основе наблюдаемых закономерностей повышает выразительность моделирования и снижает вычислительные затраты.
2
Проект Google Knowledge Vault рассматривается как пример объединения моделирования графов с извлечением информации из Интернета в крупном масштабе.
3
Статистические модели графов можно объединять с методами извлечения информации из текста для автоматического построения графов знаний по материалам из Интернета.
4
Методы реляционного машинного обучения можно обучать на крупных графах знаний для предсказания отсутствующих фактов, что эквивалентно предсказанию новых рёбер графа.
5
Масштабируемые статистические реляционные модели делятся на два основных класса: модели скрытых признаков, включая тензорную факторизацию и многомерные нейронные сети, и методы поиска наблюдаемых графовых закономерностей.
Research Object
Большие графы знаний (графово-структурированные реляционные данные)
Research Subject
статистическое реляционное моделирование для предсказания новых фактов (рёбер), включая модели на основе скрытых признаков и наблюдаемых закономерностей, а также их комбинирование
Publication Details
Publication Date
2015-12-17
Journal
Publisher
ISSN
Cited by
1790
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью13
Обзор графов знаний: представление, получение и приложения2021
Встраивание графа знаний: обзор подходов и приложений2017
Сверточные двумерные встраивания для графов знаний2018
Графы знаний2021
Встраивание (эмбеддинг) графа знаний с помощью динамической матрицы отображения2015
Встраивание графов знаний для предсказания связей2021
Голографические вложения графов знаний2016
Дополнение графов знаний: обзор2020
Вычисления для графовых нейронных сетей: обзор от алгоритмов до ускорителей2021
Построение графов знаний и их биомедицинские применения2020
Графы знаний промышленного масштаба: уроки и проблемы2019
Определение процесса разработки графа знаний на основе систематического обзора2022
Построение графов знаний: современное состояние и проблемы2024