抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
知識グラフ(KGs)は,情報検索とデータ解析タスクのための構造化データの有用なソースになった。しかしながら,複雑な分析を可能にすることは,機械学習タスクに適した方法で表現されるために,KGsにおける実体を必要とする。最近,均一でバイアスされたランダムウォークを用いて,関連するグラフ部分構造を同定し抽出することに基づいて,KGsのベクトル表現を得るためのいくつかのアプローチが提案されている。しかし,そのようなアプローチは,KGにおける「関連する」実体の代わりに,ほとんど「一般的」を含む表現をもたらす。KGsにおいて,異なるタイプのエンティティがしばしば存在する(リンクされたオープンデータのような),与えられたターゲットエンティティは,それ自身の「関連する」ノードとエッジの異なる集合を持つ可能性がある。著者らは,最も関連性のある,全体特異性,ノードおよびエッジを同定する正確な測度として特異性を提案した。特異性を計算するために双方向ランダムウォークに基づくスケーラブルな方法を開発した。著者らの実験評価結果は,特異性ベースのバイアス付きランダムウォークが,最先端技術と比較して,より多くの「意味」(サイズと関連性)サブ構造を抽出することを示し,抽出したサブ構造から学習されたグラフ埋め込みは,実体推薦の選択されたタスクにおける既存の技術より優れている。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】