التعلم المشترك لتمثيلات الكيان والعلاقة لتمييز الكيانات

تمثيل الكيانات هو وسيلة فعالة للتكامل بين المعرفة المتنوعة في مخططات المعرفة المختلفة (KGs). تتخذ معظم التطورات الحديثة في هذا المجال نهجًا قائمة على التمثيل (embedding) لتمثيل المعلومات الهيكلية لمخططات المعرفة، مما يُمكّن من إجراء تمثيل الكيانات بسهولة في الفضاء التمثيلي. ومع ذلك، لا تستخدم معظم الدراسات الحالية تمثيلات العلاقات المفيدة بشكل صريح لمساعدة تمثيل الكيانات، وهو ما سنُظهره في هذا البحث أنه طريقة بسيطة ولكنها فعّالة لتحسين دقة تمثيل الكيانات. تقدّم هذه الورقة إطارًا جديدًا للتعلم المشترك لتمثيل الكيانات. وتركز هذه الطريقة على إطار قائم على شبكة التConvolution الرسومية (GCN) لتعلم تمثيلات كل من الكيانات والعلاقات معًا. بدلًا من الاعتماد على بذور علاقات مُتماثلة مسبقًا لتعلم تمثيلات العلاقات، نقوم أولًا بتقدير هذه العلاقات باستخدام تمثيلات الكيانات التي تم تعلمها عبر شبكة GCN. ثم نُدمج هذا التقدير للعلاقات مع تمثيلات الكيانات، ونُجري تعلمًا تكراريًا لتحسين التمثيلات لكلا النوعين. أظهرت التجارب التي أُجريت على ثلاث مجموعات بيانات عالمية متعددة اللغات أن نهجنا يتفوّق بشكل كبير على أحدث الطرق المتطورة لتمثيل الكيانات.