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(KG)は,スキーマ-柔軟性方式で大きなグラフとして大規模で実世界の事実を管理する。集合クエリーは,KG,例えば「ドイツで生産された自動車の平均価格」に関する基本的質問である。その重要性にもかかわらず,KGに対する集合クエリの回答は,文献ではほとんど注目されていない。アグレゲートクエリーは,事実,ヒューマイドクエリの回答に追加骨材操作を適用することにより,例えばドイツで生産された「全ての自動車」の事実に基づいてサポートできる。しかし,この直接的方法は,フィコイドクエリ処理の精度と効率の両方が,集約質問の性能に深刻な影響を与えるので,挑戦的である。本論文では,有効精度保証による近似的集約結果を提供し,また,ヒューマイドクエリに頼ることなく,KG上の集合クエリに答える”サンプリング推定”モデルを提案した。具体的には,まず,知識グラフ埋込みに基づくランダムウォークを通して高品質ランダムサンプルを収集するための意味認識サンプリングを示した。次に,COUNT,SUM,およびAVGのための一貫した推定器のための不偏推定量を提案し,ランダムサンプルに基づく近似的凝集体結果を計算し,信頼区間の形で精度保証を行った。精度の反復改善と,フィルタ,GROUP-BY,および異なるグラフ形状,例えば,チェーン,サイクル,星,花などのより複雑なクエリをサポートするために,著者らのアプローチを拡張した。実世界KGに関する広範な実験は,著者らのアプローチの有効性と効率を実証した。【JST・京大機械翻訳】