文献

J-GLOBAL ID：201802268034308227   整理番号：18A1480944

RDFグラフ埋め込みのためのエンティティ固有の構造の抽出【JST・京大機械翻訳】

Extracting Entity-Specific Substructures for RDF Graph Embedding

著者 (2件)： Saeed Muhammad Rizwan ,  Prasanna Viktor K.
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IRI  ページ： 378-385  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： バイアス ,  機械学習 ,  ベクトル ,  情報検索 ,  *酔歩 ,  測度 ,  データ解析
準シソーラス用語： 実験評価 ,  特異性 ,  オープンデータ ,  部分構造 ,  構造化データ ,  *エンティティ ,  *グラフ埋込み , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： RDF ,  グラフ ,  埋め込み ,  エンティティ ,  固有