Дополнение графов знаний: обзор
Knowledge Graph Completion: A Review
2020-01-01
SCID: 54.1/uqfk3p9w
Discuss with AI
дополнение графа знанийпостроение графа знанийпредсказание пропущенных сущностейобучение представленийрассуждение на основе правил
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Задача/система дополнения графа знаний (Knowledge Graph Completion, KGC)
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai15
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Нейронный машинный перевод посредством совместного обучения выравниванию и переводу2014
Сверточные нейронные сети для классификации предложений2014
WordNet1995
Встраивание графа знаний посредством трансляций на гиперплоскостях2014
Обучение встраиваний сущностей и отношений для дополнения графа знаний2015
Встраивание графа знаний: обзор подходов и приложений2017
Сверточные двумерные встраивания для графов знаний2018
Графы знаний2021
Встраивание (эмбеддинг) графа знаний с помощью динамической матрицы отображения2015
Обзор реляционного машинного обучения для графов знаний2015
Голографические вложения графов знаний2016
TransG: генеративная модель для встраивания графов знаний2016
Обзор методов построения графов знаний2016
Целевой выбор ветвления для задачи максимального независимого множества с использованием графовых нейронных сетей2024