Обзор реляционного машинного обучения для графов знаний

Реляционное машинное обучение изучает методы статистического анализа реляционных, или графово-структурированных, данных. В этой статье мы даём обзор того, как такие статистические модели могут быть обучены на крупных графах знаний и затем использованы для предсказания новых фактов о мире (что эквивалентно предсказанию новых ребер в графе). В частности, мы рассматриваем два принципиально разных типа статистических реляционных моделей, обе из которых масштабируются до массивных наборов данных. Первый основан на моделях скрытых признаков, таких как тензорная факторизация и многомерные нейронные сети. Второй основан на выявлении наблюдаемых шаблонов в графе. Мы также показываем, как комбинировать эти скрытые и наблюдаемые модели для получения улучшенной выразительной силы моделирования при сниженных вычислительных затратах. Наконец, мы обсуждаем, как такие статистические модели графов могут быть объединены с методами извлечения информации из текста для автоматического построения графов знаний из веба; в этой связи мы также рассматриваем проект Google Knowledge Vault как пример такой комбинации.