|
Title
|
پيش بيني پيوند در نمودار دانش با تركيب مبدل و شبكه پيچشي
|
|
Type
|
Presentation
|
|
Keywords
|
پيش بيني پيوند؛ نمودار دانش؛ تكميل نمودار دانش؛ يادگيري عميق؛ مبدل ها؛ شبكه پيچشي
|
|
Abstract
|
نمودارهاي دانش يكي از ابزارهاي قدرتمند در نمايش و سازماندهي اطلاعات ساختاريافته هستند. در اين نمودارها روابط بين اكثر موجوديت هاي وجود ندارد و ازاين رو نمودارهاي دانش معمولاً كامل نيستند. مسئله پيش بيني پيوند به تكميل روابط بين موجوديت ها مي پردازد. از جمله روش هاي ارائه شده براي پيش بيني پيوند در نمودارهاي دانش مي توان به مدل هاي تعبيه اي، مدل هاي مبتني بر شبكه هاي عصبي عميق و مدل هاي مبتني بر شبكه هاي عصبي گرافي اشاره كرد. اين روش ها محدوديت هايي در درك وابستگي هاي پيچيده و مقياس پذيري در نمودارهاي بزرگ دارند. در اين مقاله، روش جديدي مبتني بر تركيب معماري مبدل و يك نوع خاص از شبكه هاي عصبي پيچشي پيشنهاد شده است. در روش پيشنهادي، از توانايي مبدل و مكانيزم توجه به خود براي يادگيري روابط معنايي پيچيده استفاده شده است. همچنين شبكه هاي پيچشي به مدل سازي ساختار محلي گراف مي پردازد. روش پيشنهادي روي مجموعه داده هاي FB15k-237 و WN18RR آزمايش شد. با كاهش طول بردار تعبيه به مقدار كمترين 150 براي سه معيار MRR،Hits@3،Hits@10 به ترتيب نتايج 0.518،0.534،0.657 بدست آمد. نتايج نشان مي دهد كه با كاهش طول بردار تعبيه دقت روش پيشنهادي نسبت به روش هاي قبلي افزايش يافته و مشكل مقياس پذيري را كاهش داده است.
|
|
Researchers
|
MOHAMMAD kazemi (First researcher) , Ebrahim Sahafizadeh (Second researcher) , Habib Rostami (Third researcher)
|