RDF-star2Vec: 用于数据挖掘的RDF-star图嵌入

Shusaku Egami; Takanori Ugai; Masateru Oota; Kyoumoto Matsushita; Takahiro Kawamura; Kouji Kozaki; Ken Fukuda

doi:10.1109/ACCESS.2023.3341029

RDF-star2Vec: 用于数据挖掘的RDF-star图嵌入

人工智能 2023-12-27 v1 计算与语言信息检索机器学习

作者: Shusaku Egami , Takanori Ugai , Masateru Oota , Kyoumoto Matsushita , Takahiro Kawamura , Kouji Kozaki , Ken Fukuda

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

知识图谱(KG)，如资源描述框架(RDF)数据，通过三元组（<主体, 谓词, 客体>）的结构表示各种实体之间的关系。知识图谱嵌入(KGE)在机器学习应用中至关重要，特别是在节点分类和链接预测任务中。KGE仍然是语义网社区内的一个重要研究课题。RDF-star引入了引用三元组(QT)的概念，这是一种特殊形式的三元组，用作另一个三元组中的主体或客体。此外，RDF-star允许QT作为另一个QT内的组合实体，从而能够表示具有嵌套结构的递归、超关系知识图谱。然而，现有的KGE模型未能充分学习QT和实体的语义，主要是因为它们没有考虑包含多层嵌套QT和QT-QT关系的RDF-star图。本研究引入了RDF-star2Vec，一种专门为RDF-star图设计的新型KGE模型。RDF-star2Vec引入了图游走技术，使得在QT及其组合实体之间进行概率转移成为可能。通过结构化skip-gram模型从生成的序列中导出QT、实体和关系的特征向量。此外，我们提供了一个数据集和一个基准框架，用于专注于复杂RDF-star图的数据挖掘任务。评估实验表明，RDF-star2Vec在分类、聚类、实体相关性和QT相似性等各种任务中，与RDF2Vec的最新扩展相比，表现出更优的性能。

关键词

知识图谱嵌入 RDF-star 引用三元组图游走 skip-gram 数据挖掘节点分类链接预测

引用

@article{arxiv.2312.15626,
  title  = {RDF-star2Vec: RDF-star Graph Embeddings for Data Mining},
  author = {Shusaku Egami and Takanori Ugai and Masateru Oota and Kyoumoto Matsushita and Takahiro Kawamura and Kouji Kozaki and Ken Fukuda},
  journal= {arXiv preprint arXiv:2312.15626},
  year   = {2023}
}

备注

13 pages, 6 figures, and this paper has been accepted by IEEE Access

RDF-star2Vec: 用于数据挖掘的RDF-star图嵌入

摘要

关键词

引用

备注

相关论文