Дополнение графа знаний: обзор

Дополнение графа знаний (KGC) является актуальной темой в области построения графов знаний и смежных приложений; цель KGC — завершить структуру графа знаний путем предсказания отсутствующих сущностей или отношений и выявления неизвестных фактов. Начиная с определения и типов KGC, существующие технологии KGC проанализированы и категоризированы. С эволюционной точки зрения технологии KGC можно разделить на традиционные методы и методы, основанные на представлениях (representation learning). К традиционным относятся в основном методы вывода на основе правил, вероятностные графовые модели, такие как Markov logic network, и методы на основе вычислений по графу. К методам на основе представлений относятся методы на основе переводных моделей (translation models), методы на основе семантического сопоставления (semantic matching), методы представления (representation learning) и другие методы на основе нейронных сетей. В статье представлены разные технологии KGC, включая их преимущества, недостатки и области применения. Наконец обсуждаются основные вызовы и проблемы, с которыми сталкивается KGC, а также возможные направления будущих исследований.