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。
知識グラフ埋込みモデルは,機械学習の重要な領域になった。これらのモデルは,リンク予測のような下流機械学習タスクに使用できる知識グラフにおけるエンティティと関係の潜在表現を提供する。そのようなモデルの学習プロセスは,正と負の三重の対比によって行うことができる。KGの全ての三重は正であると考えられているが,負のトリプルは通常容易に利用できない。したがって,負のトリプルを得るためのサンプリング法の選択は,知識グラフ埋込みモデルの性能と有効性において重要な役割を果たす。多くの現在の方法は,しばしば意味のないトリプルを含む,根底にある知識グラフにおけるエンティティのランダム分布から負のサンプルをフェッチする。他の既知の方法は,その結果,プロセスの効率を低下させる敵対的技術または生成ニューラルネットワークを使用する。本論文では,エンティティに関する利用可能な相補的知識を考慮して,有益な負のサンプルを生成するためのアプローチを提案した。特に,事前訓練言語モデルを用いて,エンティティ間の距離を利用して近傍クラスタを形成し,テキスト情報を介して記号エンティティの表現を得た。この包括的評価は,リンク予測タスクのためのテキスト情報によるベンチマーク知識グラフに対する提案アプローチの有効性を実証した。【JST・京大機械翻訳】