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。
知識グラフ埋込み(KGE)は知識グラフの欠落リンクを予測するための強力なツールであることが示されている。しかしながら,既存の方法は,主にモデリング関係パターンに焦点を合わせ,一方,実場,複素場,および四元数空間のようなベクトル空間にエンティティを単純に埋め込む。より厳密で理論的視点から埋込み空間をモデル化するために,著者らは,回転ベースモデルのための新しい一般的グループ理論ベースの埋込みフレームワークを提案し,その中で,エンティティと関係をグループ要素として埋め込んだ。さらに,より利用可能なKGEモデルを探索するために,より一般的なグループ構造,モジュール,ベクトル空間の一般化概念を利用した。特に,このフレームワークの下で,著者らは,モジュールにエンティティを投影するより一般的な埋込み法,ModulEを導入した。ModulEの方法に従って,著者らは異なるモジュール構造を採用することによって,ModulE_R,C,ModulE_R,HおよびModulE_H,Hの3つのインスタント化モデルを構築した。”ModulE_R,C,ModulE_R,HおよびModulE_H,H。実験結果は,ModulE_H,Hが,非可換リング上のモジュールに実体を埋め込むことを,複数のベンチマークデータセット上で最先端の性能を達成することを示した。【JST・京大機械翻訳】