정보과학회논문지 (Journal of KIISE)
Current Result Document : 9 / 51
이전건
다음건 
| 한글제목(Korean Title) |
다중 클래스 멤버쉽 처리를 위한 Bi-LSTM 기반 지식 그래프 완성 기법 |
| 영문제목(English Title) |
Approach for Managing Multiple Class Membership in Knowledge Graph Completion Using Bi-LSTM |
| 저자(Author) |
김태영
조성배
Tae-Young Kim
Sung-Bae Cho
노재승
바트셀렘
이완곤
박영택
Jae-Seung Roh
Batselem Jagvaral
Wan-Gon Lee
Young-Tack Park
|
| 원문수록처(Citation) |
VOL 47 NO. 06 PP. 0559 ~ 0567 (2020. 06) |
한글내용
(Korean Abstract) |
실세계의 지식을 구조화된 방식으로 표현한 지식 그래프는 웹 검색, 추천 시스템과 같이 다양한 분야에서 활용되고 있지만, 엔티티 또는 엔티티 사이의 링크가 누락되는 문제가 존재한다. 이러한 문제해결을 위해 임베딩 기법을 사용하거나 딥러닝을 활용한 다양한 연구들이 진행되었으며, 특히 CNN과 Bidirectional-LSTM을 결합한 최신 연구가 기존 연구들과 비교하여 높은 성능을 나타냈다. 그러나 하나의 엔티티에 대하여 여러 개의 클래스 타입이 정의된 경우 학습 데이터의 양이 기하급수적으로 증대되어 학습시간이 증가하는 문제와 엔티티의 클래스 타입 정보가 정의되지 않으면 학습 데이터 생성이 불가능하다는 한계점이 존재한다. 따라서 본 논문에서는 엔티티의 클래스 타입 수에 상관없이 학습 데이터 생성과 모델에서 학습 및 추론이 가능하도록 미리 학습된 지식 그래프 임베딩 벡터를 사용하는 방법과 vector addition 개념을 활용한 다중 클래스 멤버쉽 처리 방법을 제안한다. 본 논문에서 제안하는 방법의 성능을 평가하기 위해 데이터셋 NELL-995 와 FB15K-237을 대상으로 기존 지식 완성 연구들과 비교 실험을 진행하였으며 MAP이 1.6%p, MRR이 1.5%p 더 높은 성능을 보였다.
|
영문내용
(English Abstract) |
Knowledge graphs that represent real world information in a structured way are widely used in areas, such as Web browsing and recommendation systems. But there is a problem of missing links between entities in knowledge graphs. To resolve this issue, various studies using embedding techniques or deep learning have been proposed. Especially, the recent study combining CNN and Bidirectional-LSTM has shown high performance compared to previous studies. However, in the previous study, if multiple class types are defined for single entity, the amount of training data exponentially increases with the training time. Also, if class type information for an entity is not defined, training data for that entity cannot be generated. Thus, to enable the generation of training data for such entities and manage multiple class membership in knowledge graph completion, we propose two approaches using pre-trained embedding vectors of knowledge graph and the concept of vector addition. To evaluate the performance of the methods proposed in this paper, we conducted comparative experiments with the existing knowledge completion studies on NELL-995 and FB15K-237 datasets, and obtained MAP 1.6%p and MRR 1.5%p higher than that of the previous studies.
|
| 키워드(Keyword) |
라이프로그
빅데이터
패턴 마이닝
시맨틱 네트워크
페트리넷
life log
big data
pattern mining
semantic network
petri-net
지식 그래프
지식 완성
링크 예측
임베딩
knowledge graph
knowledge completion
딥러닝
link prediction
embedding
deep learning
|
| 파일첨부 |
PDF 다운로드
|
