داده محکی برای تحلیل مدل های دگرنمایی گراف دانش برای مساله پیش بینی پیوند در زبان های کم منبع

پیش بینی پیوند در بافتار گراف های دانش عبارت است از پیش بینی موجودیت ها یا روابط غیرموجود که معمولا با استفاده از دگرنمایی گراف دانش است. آموزش این مدل ها بر روی گراف های دانش استخراج شده از زبان های کم منبع چالش های منحصربه فردی را ایجاد می کند که در پژوهش های پیشین به آن پرداخته نشده است و در نتیجه هیچ داده ی محکی نیز برای ارزیابی روش های پیش بینی پیوند در چنین گراف های دانشی وجود ندارد. گراف های دانش استخراج شده از زبان های کم منبع به دلیل ویژگی های این زبان ها، اغلب توپولوژی منحصربه فردی دارند. برای مثال، بسیاری از گراف های دانش از دایره المعارف هایی مانند ویکی پدیا استخراج شده اند و ویکی پدیای مربوط به زبان های کم منبع معمولا برای موجودیت های بسیاری توضیحات نامبسوط ارائه کرده باشد. این مساله باعث می شود گراف های حاصل از آنها نیز در خصوص بسیاری از گره ها یال های اندکی داشته باشند و این مساله توپولوژی متفاوتی از گراف های دانش معیار برای آنها ایجاد می کند. فارس بیس (تنها گراف دانش مرتبط با زبان فارسی)، نمونه ای از این گراف هاست. این مقاله نسخه ای از فارس بیس را تحت عنوان «فارس پیش بین»، به عنوان داده ی محکی برای دگرنمایی گراف دانش با زبان های کم منبع معرفی می کند. سپس، نویسندگان ادعا و استدلال می کنند که در گراف های دانش استخراج شده از زبان های کم منبع، مدل های فاصله انتقالی از سایر مدل های دگرنمایی گراف دانش بهتر عمل می کنند. برای آزمودن این فرضیه، مدل های دگرنمایی گراف دانش رایج بر روی آن آزمایش و ارزیابی شده و اثبات شد که مدل های فاصله انتقالی بهترین عملکرد را روی چنین داده ی محکی دارند. این داده ی محک انتظار می رود که زین پس به عنوان یک زیرساخت ارزیابی استاندارد برای پژوهش هایی که به پیش بینی پیوند در گراف های دانش با زبان های کم منبع خواهند پرداخت استفاده شود.

کلیدواژه ها:

پیش بینی پیوند ، دگرنمایی گراف دانش ، داده ی محک پیش بینی پیوند