تعبیه نمودار دانش

در یادگیری بازنمایی، تعبیه گراف دانش ( معادل Knowledge Graph Embedding یا KGE ) ، که از آن به عنوان یادگیری بازنمایی دانش ( KRL ) و یا یادگیری چند رابطه ای هم یاد می شود، [ ۱] یک کار یادگیری ماشینی برای یادگیری یک نمایش کم بعدی از موجودیت ها و روابط یک نمودار دانش است. با حفظ معنای معنایی آنها[ ۲] [ ۳] [ ۴] . نمودارهای دانش ( KGs ) با استفاده از نمایش تعبیه شده آنها می توانند برای کاربردهای مختلفی مانند پیش بینی پیوند، طبقه بندی سه گانه، شناسایی موجودیت، خوشه بندی و استخراج رابطه استفاده شوند.
یک گراف دانش، با G = { E , R , F } نمایش داده می شود و مجموعه ای از موجودیت ها ( entity ) و روابط ( relations ) و حقایق ( fact ) است. یک حقیقت، سه گانه ای به صورت ( h , r , t ) ∈ F است که در آن، r ∈ R ارتباطی میان ابتدا یا سر ( h ∈ E ) و انتها یا دم ( t ∈ E ) برقرار می کند. طریقه دیگر نشان دادن حقیقت، به صورت < h e a d , r e l a t i o n , t a i l > است که به این نمادگذاری، چارچوب توصیف منابع ( RDF ) هم می گویند. نمودار دانش، نشان دهنده دانش مربوط به یک حوزه خاص است. با استفاده از این نمایش ساختاریافته، می توان پس از چند مرحله اصلاح، بخشی از دانش جدید را از آن استنتاج کرد. با این حال، امروزه، مردم برای استفاده از آنها در یک برنامه واقعی باید با پراکندگی داده ها و ناکارآمدی محاسباتی دست و پنجه نرم کنند. تعبیه یک نمودار دانش، هر موجودیت و رابطه یک نمودار دانش ( G ) را به بردار با یک بعد معین ( d یا بعد تعبیه ) ، ترجمه می کند. مجموعه بردارهای جاسازی شده برای همه موجودیت ها و روابط در نمودار دانش، نمایش متراکم و کارآمدتری از دامنه است که می تواند به راحتی برای بسیاری از وظایف مختلف استفاده شود.
تعبیه گراف دانش با چهار جنبه مختلف مشخص می شود:
• فضای بازنمایی: فضایی با تعداد بعد کم که موجودیت ها و روابط در آن نمایش داده می شوند.
• تابع امتیاز دهی: معیار خوب بودن برای نمایش سه گانه تعبیه شده.
• مدل های رمزگذاری: روشی که در آن بازنمایی تعبیه شده موجودیت ها و روابط با یکدیگر تعامل دارند.
• اطلاعات اضافی: هر گونه اطلاعات اضافی که از نمودار دانش حاصل می شود و می تواند نمایش تعبیه شده را غنی کند. معمولاً برای هر اطلاعات اضافی، یک تابع امتیازدهی موقت در تابع امتیازدهی عمومی ادغام می شود.