Дополнение графов знаний: обзор

Knowledge Graph Completion: A Review
Zongtao Duan, Zhe Chen, Yuehan Wang, Bin Zhao, Jing Cheng, Xin Zhao
2020-01-01

дополнение графа знанийпостроение графа знанийпредсказание пропущенных сущностейобучение представленийрассуждение на основе правил
Дополнение графов знаний (KGC) является важным направлением в построении графов знаний и связанных с ними приложениях. Оно направлено на восстановление структуры графа знаний посредством предсказания отсутствующих сущностей или отношений и выявления неизвестных фактов. Начиная с определения и типов дополнения графов знаний, существующие технологии KGC классифицируются и анализируются. С точки зрения эволюции технологии KGC можно разделить на традиционные методы и методы, основанные на обучении представлений. К первым относятся главным образом методы рассуждения на основе правил, вероятностные графические модели, такие как сети логики Маркова, а также методы на основе вычислений над графами. Ко вторым относятся модели на основе трансляции, модели на основе семантического сопоставления, методы на основе обучения представлений и методы, основанные на других моделях нейронных сетей. В статье рассматриваются различные технологии KGC, включая их преимущества, недостатки и области применения. В заключение обсуждаются основные проблемы и вызовы, с которыми сталкивается KGC, а также перспективные направления исследований.
1
Технологии завершения графов знаний в историческом развитии разделяются на традиционные методы и методы на основе обучения представлений.
2
Завершение графов знаний предсказывает отсутствующие сущности или отношения для дополнения структуры графа и выявления неизвестных фактов.
3
Подходы на основе обучения представлений включают трансляционные модели, модели семантического сопоставления, другие методы обучения представлений и модели на основе нейронных сетей.
4
В обзоре сопоставляются преимущества, недостатки и области применения методов, а также рассматриваются проблемы и перспективные направления исследований.
5
Традиционные подходы включают логический вывод на основе правил, вероятностные графовые модели, такие как марковские логические сети, и методы вычислений на графах.

Задача/система дополнения графа знаний (Knowledge Graph Completion, KGC)

методы, преимущества, недостатки, области применимости, проблемы и перспективные направления предсказания отсутствующих сущностей или отношений и выявления неизвестных фактов

Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Cited by
351
Access Type
Author Information
Authors
Zongtao Duan
Zhe Chen
Yuehan Wang
Bin Zhao
Jing Cheng
Xin Zhao
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%