مشخصات پژوهش

عنوان	پیش بینی پیوند در نمودار دانش با ترکیب مبدل و شبکه پیچشی
نوع پژوهش	مقالات در همایش ها
کلیدواژه‌ها	پیش بینی پیوند؛ نمودار دانش؛ تکمیل نمودار دانش؛ یادگیری عمیق؛ مبدل ها؛ شبکه پیچشی
چکیده	نمودارهای دانش یکی از ابزارهای قدرتمند در نمایش و سازماندهی اطلاعات ساختاریافته هستند. در این نمودارها روابط بین اکثر موجودیت های وجود ندارد و ازاین رو نمودارهای دانش معمولاً کامل نیستند. مسئله پیش بینی پیوند به تکمیل روابط بین موجودیت ها می پردازد. از جمله روش های ارائه شده برای پیش بینی پیوند در نمودارهای دانش می توان به مدل های تعبیه ای، مدل های مبتنی بر شبکه های عصبی عمیق و مدل های مبتنی بر شبکه های عصبی گرافی اشاره کرد. این روش ها محدودیت هایی در درک وابستگی های پیچیده و مقیاس پذیری در نمودارهای بزرگ دارند. در این مقاله، روش جدیدی مبتنی بر ترکیب معماری مبدل و یک نوع خاص از شبکه های عصبی پیچشی پیشنهاد شده است. در روش پیشنهادی، از توانایی مبدل و مکانیزم توجه به خود برای یادگیری روابط معنایی پیچیده استفاده شده است. همچنین شبکه های پیچشی به مدل سازی ساختار محلی گراف می پردازد. روش پیشنهادی روی مجموعه داده های FB15k-237 و WN18RR آزمایش شد. با کاهش طول بردار تعبیه به مقدار کمترین 150 برای سه معیار MRR،Hits@3،Hits@10 به ترتیب نتایج 0.518،0.534،0.657 بدست آمد. نتایج نشان می دهد که با کاهش طول بردار تعبیه دقت روش پیشنهادی نسبت به روش های قبلی افزایش یافته و مشکل مقیاس پذیری را کاهش داده است.
پژوهشگران	محمد کاظم فرهادی پور (نفر اول)، ابراهیم صحافی زاده (نفر دوم)، حبیب رستمی (نفر سوم)