حبیب رستمی

زمینه: پی شبی نی پی وند یکی از مهمتر ین زمینههای تحقیقاتی در تحلیل انواع شبکهها، از جمله شبکههای اجتماعی، شبکههای ب یولوژیکی و نمودارها ی دانش است. ا ین زمینه به دنبال شناسایی روابط مفقود شده یا پ یشب ینی روابط آینده در گرافها است. تکمیل نمودار دانش به عنوان یکی از مسائل ز یرمجموعه در ای ن حوزه، به شناسایی و پر کردن گرهها و روابطی که در نمودار دانش مفقود هستند، میپردازد. ا ین موضوع به خاطر کاربردها ی فراوان خود در سیستمهای پرسشوپاسخ هوشمند، جستجوی هوشمند، توصیهدهندهها و مدیری ت دادهها، اهمیت ویژها ی دارد. هدف: هدف ای ن پژوهش، ارائه یک روش مؤثر برای حل مسئله تکمیل نمودار دانش با استفاده از روشهای یادگیر ی عمی ق است. در ای ن راستا، سعی شده است تا با بهرهگی ری از معماریها ی پیشرفته یادگی ری عمی ق، مانند مدلهای رمزگذار -رمزگشا عملکرد پیشبینی پی وند بهبود یابد و همزمان به کاهش پیچیدگی محاسباتی ن یز کمک کند. مدل پیشنهادی قابلیت تعبیه موجودی تها و رابطهها در ابعاد پایی ن را دارد و با این کار به دقت باالتر ی در تشخیص روابط مفقود شده در نمودار دانش دست مییابد . روششناسی: ترکی بی از روشهای یادگی ری عمی ق برا ی حل مسئله تکمیل نمودار دانش استفاده شده است. معماری پی شنهادی شامل یک مدل رمزگذار -رمزگشا بر پایه مبدلها است که از سازوکار توجه برا ی درک وابستگیها ی بلندمدت بی ن موجودیتها و روابط استفاده میکند. عالوه بر ای ن، از شبکههای پیچشی برا ی استخراج وی ژگیها ی محلی از بردارهای تعبیه موجودی تها و روابط استفاده شده است. ای ن ترکی ب به مدل اجازه میدهد تا هم از مزا یای سازوکار توجه و هم از مزایای شبکههای پیچشی بهرهبرداری کند. مجموعه دادههای مورد استفاده در ای ن پژوهش شامل -237k15FB، -995NELL و RR18WN هستند که به عنوان معیارها ی استاندارد در ب حوزه تکم یل نمودار دانش شناخته میشوند. برای ارزیابی مدل پیشنهادی، از معیارهای متداول در این حوزه مانند k@Hits، و میانگین رتبه متقابل (MRR (استفاده شده است. ای ن معیارها به دقت و کیفی ت پیشبینیها ی مدل در رتبهبندی موجودی تها و روابط میپردازند. یافتهها : روش پ یشنهادی، شامل یک معماری رمزگذار- رمزگشا بر پایه مبدلها، عملکرد بهتر ی نسبت به روشهای سنتی و حتی برخی از روشهای پیشرفتهتر در حوزه تکمیل نمودار دانش دارد. این روش نه تنها دقت پی شبی نی پی وند