|
عنوان
|
مبدلی با ورودی های متفاوت و رمزگشای فوق شبکه جهت تکمیل نمودار دانش
|
|
نوع پژوهش
|
مقالات در همایش ها
|
|
کلیدواژه‌ها
|
پیش بینی پیوند؛ نمودار دانش؛ تکمیل نمودار دانش؛ یادگیری عمیق؛ مبدل ها
|
|
چکیده
|
از بین کاربرد های پیش بینی پیوند مساله تکمیل نمودار دانش به دلیل دامنه گسترده مسائل دنیای واقعی مورد اهمیت است. نمودار دانش در مقیاس بزرگ از تعداد زیادی موجودیت و روابط بین آنها تشکیل می شود. مشکل عمده نمودارهای دانش ساختار و محتوای ناقص آنها است. در نمودارهای دانش واقعی بسیاری از روابط ضمنی بین موجودیت ها به طورکامل کشف نشده است. در این مقاله با استفاده از رویکرد تعبیه نمودار دانش، یک روش جدید بر پایه مبدل ها برای حل مساله تکمیل نمودار دانش ارائه می گردد.در مدل پیشنهادی بردارهای ورودی رمزگذار نسبت به مبدل پایه تغییر کرده است. همچنین رمزگشای مبدل یک معماری فوق شبکه بر پایه تحقیقات قبلی است. نتایج بدست آمده نشان می دهد روش پیشنهادی بر روی مجموعه داده های -237k15FB و RR18WN عالوه بر کاهش ابعاد بردار تعبیه، نسبت به روش های قبلی عملکرد بهتری دارد.
|
|
پژوهشگران
|
محمد کاظم فرهادی پور (نفر اول)، ابراهیم صحافی زاده (نفر دوم)، حبیب رستمی (نفر سوم)
|