面向通用知识图谱的基于Kinetica-Graph的图节点向量嵌入算法
机器学习
2025-01-06 v3 人工智能
摘要
本文讨论了如何从知识图表示中生成通用图节点嵌入。该嵌入空间由多个子特征组成，以模拟局部亲和力和远程结构相关性。这些子特征维由若干指标定义，我们推测这些指标可捕捉节点相似性，如基于跳数的拓扑模式、重叠标签数量、转换概率(马尔可夫链概率)以及由我们递归谱二分(RSB)算法计算的聚类指数。这些措施被展平为其各自子组件范围的一维向量空间，以便使用整个向量相似性函数来查找相似节点。误差定义为在随机选取的图节点样本上，假设嵌入与真实估计值之间的成对平方差之和作为我们的新损失函数。真实估计值被估算为成对Jaccard相似性和重叠标签数量的组合。最后，我们演示了一个多变量随机梯度下降(SGD)算法来计算子向量空间之间的权重因子，以最小化平均误差，采用随机抽样逻辑。
引用
@article{arxiv.2407.15906,
title = {An Ad-hoc graph node vector embedding algorithm for general knowledge graphs using Kinetica-Graph},
author = {B. Kaan Karamete and Eli Glaser},
journal= {arXiv preprint arXiv:2407.15906},
year = {2025}
}
备注
11 pages, 17 figures, 16 references