مرور روش‌های جاسازی گراف‎های دانش

نوع مقاله : مقاله مروری

نویسندگان

دانشکده برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران

چکیده

گراف‌های دانش به عنوان ابزارهای حیاتی و بسیار پرکاربرد در زمینه‌های داده‌کاوی، یادگیری ماشین، شبکه‌های پیچیده، و حوزه‌های مرتبط، توجه بسیاری را به خود جلب کرده‌اند. در این گراف‌ها، موجودیت‌های مهم به صورت گره‌های متفاوت و روابط مختلف و متفاوت میان آنها نیز به صورت یال نشان داده می‌شوند. در این مقاله، ما سعی داریم تا به بررسی گسترده‌ای از این گراف‌ها و روش‌های مرتبط با آنها بپردازیم. ما روش‌های روش‌های مبتنی بر مدل‌های فاصله‌ای (TDM) و روشهای مبتنی بر مدلسازی دوخطی (BLM) را جزئی‌تر بررسی و ارزیابی می‌کنیم و نتایج به‌دست‌آمده از هر کدام را با دقت مورد بررسی قرار می‌دهیم. همچنین روشهای مبتنی بر شبکه‌های عصبی (NNM) نیز مرور می‌شوند. این مطالعه یک تجزیه و تحلیل جامع از عملکرد این روش‌ها را ارائه می‌دهد و به دنبال ارزیابی دقیق‌تر نقاط قوت و ضعف هر یک از آنها در مواجهه با چالش‌ها و کاربردهای واقعی است. در انتها نیز آزمایشاتی روی دو گراف دانش بیولوژی و عمومی ارایه شده است

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

An Overview of Embedding Approaches for Knowledge Graphs

نویسندگان [English]

  • Seyed Mehdi Vahidipour
  • Davood Daneshmand
  • Mohammad Ali Zarif
Electrical and Computer Engineering Faculty, University of Kashan, Kashan, Iran
چکیده [English]

Knowledge graphs are essential and widely used tools in data mining, machine learning, complex networks, and related fields. They represent important entities as nodes and their relationships as edges. In this paper, we conduct a comprehensive review of these graphs and their related methods. We focus on RGNN networks, TDM, and BLM methods, and evaluate their performance and results in depth. This study provides a thorough analysis of the advantages and disadvantages of these methods in dealing with real-world problems and applications. We also present tests on two graphs of biology and general knowledge.

کلیدواژه‌ها [English]

  • Knowledge Graph
  • TDM
  • BLM، Graph neural network
  • Open Graph Benchmark (OGB)