ارائه روشي براي پالايش گراف دانش به منظور بهبود كارايي جانمايي گراف دانش

كارشناسي ارشد

گراف‌هاي دانش يكي از زمينه‌هاي در حال گسترش در هوش مصنوعي هستند. اين گراف‌ها در سيستم‌هاي پردازش اطلاعات استفاده مي‌شوند. در حال حاضر گراف‌هاي دانش كامل نيستند و تكميل گراف‌هاي دانش يكي از زمينه‌هاي تحقيق بر روي ساختارهاي دانش است. وظيفه پيش‌بيني پيوند در گراف‌هاي دانش، اضافه كردن اطلاعات به گراف دانش فعلي با استفاده از استنتاج از روي حقيقت‌هاي موجود در آن مي‌باشد. تكنيك‌هاي پيش‌بيني پيوند در سال‌هاي اخير با استفاده از جانمايي گراف دانش دقت‌هاي قابل توجهي داشتند. تكنيك‌هايي در سال‌هاي اخير پيشنهاد شده‌اند، از روش‌هاي يادگيري عميق كه پيچيدگي محاسباتي بالايي دارند استفاده كرده‌اند. اين روش‌ها در گراف‌هاي كوچك بسيار سريع عمل مي‌كنند اما در گراف‌هاي بزرگ سرعت پايين و فضاي بزرگي از حافظه اصلي را لازم دارند. در سال‌هاي 2013 تا 2019 مدل‌هاي انتقالي (كه سريع با پيچيدگي كمي هستند) معرفي شده بودند. دقت مدل‌هاي انتقالي به ميزان قابل توجهي كمتر از تكنيك‌هاي يادگيري عميق است و اين مدل‌ها از سال 2019 كنار گذاشته شدند. در اين پژوهش ما دقت اين مدل‌هاي انتقالي را به ميزان قابل توجهي افزايش داديم تا دقتشان به تكنيك‌هاي يادگيري عميق نزديك شود. اهميت اين پژوهش به پايداري روش‌هاي انتقالي و سرعت بسيار بالا آن‌ها در كنار بي‌نياز بودنشان به سخت افزارهاي قوي است. روش پيشنهادي معيارهاي p@10 و MRR را روي مدل TransH را كه به ترتيب 21.1 و 38.6 بودند را به ترتيب 10.3 و 9.1 روي گراف دانش انگليسي فري بيس بهبود داد. همچنين، اين روش دو معيار p@10 و MR را در مدل RotatE را كه به ترتيب 54.7 و 4274 بودند را براي گراف دانش كلمات انگليسي (وردنت) به ترتيب 2.3 و 3591 رتبه بهبود داد.

204996

دانشگاه علم و صنعت ايران

هوش مصنوعي و رباتيك

بهروز مينايي