پیش بینی پیوند در نمودار دانش با ترکیب مبدل و شبکه پیچشی

نمودارهای دانش یکی از ابزارهای قدرتمند در نمایش و سازماندهی اطلاعات ساختاریافته هستند. در این نمودارها روابط بین اکثر موجودیت‌های وجود ندارد و ازاین‌رو نمودارهای دانش معمولاً کامل نیستند. مسئله پیش‌بینی پیوند به تکمیل روابط بین موجودیت‌ها می‌پردازد. از جمله روش‌های ارائه شده برای پیش‌بینی پیوند در نمودارهای دانش می‌توان به مدل‌های تعبیه‌ای، مدل‌های مبتنی بر شبکه‌های عصبی عمیق و مدل‌های مبتنی بر شبکه‌های عصبی گرافی اشاره کرد. این روش‌ها محدودیت‌هایی در درک وابستگی‌های پیچیده و مقیاس‌پذیری در نمودارهای بزرگ دارند. در این مقاله، روش جدیدی مبتنی بر ترکیب معماری مبدل و یک نوع خاص از شبکه‌های عصبی پیچشی پیشنهاد شده است. در روش پیشنهادی، از توانایی مبدل و مکانیزم توجه به خود برای یادگیری روابط معنایی پیچیده استفاده شده است. همچنین شبکه‌های پیچشی به مدل‌سازی ساختار محلی گراف می‌پردازد. روش پیشنهادی روی مجموعه‌داده‌های fb15k-237 و wn18rr آزمایش شد. با کاهش طول بردار تعبیه به مقدار کمترین 150 برای سه معیار mrr،hits@3،hits@10 به ترتیب نتایج 0.518،0.534،0.657 بدست آمد. نتایج نشان می‌دهد که با کاهش طول بردار تعبیه دقت روش پیشنهادی نسبت به روش‌های قبلی افزایش‌یافته و مشکل مقیاس‌پذیری را کاهش داده است.