Обзор реляционного машинного обучения для графов знаний

A Review of Relational Machine Learning for Knowledge Graphs
Volker Tresp C, Kevin P. Murphy, Maximilian Nickel, Evgeniy Gabrilovich
2015-12-17

построение графов знанийграфы знанийреляционное машинное обучениестатистические реляционные моделитензорная факторизация
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.
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.

Большие графы знаний (графово-структурированные реляционные данные)

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
Access Type
Author Information
Authors
Volker Tresp C
Kevin P. Murphy
Maximilian Nickel
Evgeniy Gabrilovich
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%