Új módszerrel javítják a tudásgráfok hiányosságainak feltöltését — 4,3% MRR-többlet

A több domainból származó tudásgráfok (MKGC) hiányzó tripláinak előrejelzését javítaná a DMKGC nevű új AI-keretrendszer. Az eddigi módszerek gyakran elnyomják a domain-specifikus információkat, ami rontja a teljesítményt, különösen kevés adattal. A kutatók most egy generatív megközelítést dolgoztak ki, amely mindengráfot az entitás teljes információjának csak egy résznézetének tekint.

A keretrendszer a diffúziós modelleket használja, hogy a támogatásként szolgáló gráfokból (support KGs) információgazdag, domain-független entitás-ábrázolásokat generáljon. Ehhez először domain-agnosztikus entitás-ábrázolásokat inicializálnak, majd ezeket kódolják az egyes gráfokon belül. Az ekvivalens entitásokat a támogató gráfokból egyesítik, hogy vezéreljék a diffúziós generálást.

Kapcsolódó: tudásgrafikon-modell fejlesztése

Domain-specifikus információk megőrzése

A generált ábrázolások célja, hogy ne legyenek elfogultak egyetlen támogató gráf felé sem, miközben megőrzik a domain-specifikus információkat. Ezt úgy érik el, hogy a generált ábrázolásokat a gráfokon átívelően prediktívvé is képezik. Az új megközelítés 14 különböző tudásgráfot tesztelt három teljesítményteszten.

Kapcsolódó: tudásgátlás javítása

Eredmények és alacsony erőforrás-igény

Az eredmények 4,3%-os átlagos MRR-javulást mutattak a farok entitás előrejelzésében a legmodernebb módszerekhez képest. A DMKGC különösen jól teljesít alacsony erőforrás-igényű adatkörnyezetben is, ahol a hagyományos módszerek gyakran elvéreznek. A kutatást az arXiv preprint szerverén tették közzé.

Kapcsolódó: komplex tudásgráf építése