HyperAIHyperAI

Command Palette

Search for a command to run...

تعلم التمثيل باستخدام مسارات العلاقات المرتبة لإكمال رسم المعرفة

Yao Zhu Hongzhi Liu Zhonghai Wu Yang Song Tao Zhang

الملخص

الإكمال غير الكامل مشكلة شائعة في الرسوم المعرفية الحالية (KG)، ويتسم إكمال الرسوم المعرفية، الذي يهدف إلى توقع الروابط بين الكيانات، بالصعوبة. تُركّز معظم الطرق الحالية لإكمال الرسوم المعرفية على العلاقة المباشرة بين العقد، وتجاهل المسارات العلاقة التي تحتوي على معلومات مفيدة لتنبؤ الروابط. في الآونة الأخيرة، اهتمت بعض الطرق بالمسارات العلاقة، لكنها لم تولي اهتمامًا كافيًا لترتيب العلاقات ضمن هذه المسارات، وهو أمر مهم جدًا للاستدلال. علاوة على ذلك، تتجاهل هذه النماذج القائمة على المسارات غالبًا المساهمات غير الخطية لسمات المسارات في تنبؤ الروابط. ولحل هذه المشكلات، نقترح طريقة جديدة لإكمال الرسوم المعرفية تُسمى OPTransE. بدلًا من تمثيل كلا الطرفين (الطرف الأول والطرف الأخير) للعلاقة في نفس الفضاء الخفي كما في الطرق السابقة، نقوم بتصور الطرف الأول والطرف الأخير لكل علاقة في فضاء مختلف، لضمان الحفاظ على ترتيب العلاقات ضمن المسار. وفي الوقت نفسه، نستخدم استراتيجية تجميع (pooling) لاستخراج السمات غير الخطية والمعقدة من مسارات مختلفة، بهدف تحسين أداء تنبؤ الروابط بشكل أكبر. أظهرت النتائج التجريبية على مجموعتي بيانات معياريتين أن النموذج المقترح OPTransE يتفوّق على الطرق الرائدة في مجالها.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp