مبدلی با ورودی های متفاوت و رمزگشای فوق شبکه جهت تکمیل نمودار دانش

از بین کاربردهای پیش بینی پیوند مسئله تک میل نمودار دانش به دلیل دامنه گسترده مسائل دنیای واقعی مورد اهمیت است. نمودار دانش در مقیاسبزرگ از تعداد زیادی موجودیت و روابط بین آنها تشکیل می شود. مشکل عمده نمودارهای دانش ساختار و محتوای ناقص آنها است. در نمودارهای دانش واقعی بسیاری از روابط ضمنی بین موجودیت ها به طور کامل کشف نشده است. در این مقاله با استفاده از رویکرد تعبیه نمودار دانش، یک روش جدید بر پا یه مبدل ها برا ی حل مسئله تکمیل نمودار دانش ارائه می گردد. در مدل پیشنهادی بردارهای ورود ی رمزگذار نسبت به مبدل پایه تغییر کرده است. همچنین رمزگشای مبدل یک معماری فوق شبکه بر پایه تحقیقات قبلی است. نتایج به دست آمده نشان می دهد روش پیشنهادی بر روی مجموعه داده های FB۱۵k-۲۳۷ و WN۱۸RR علاوه بر کاهش ابعاد بردار تعبیه ، نسبت به روشهای قبلی عملکرد بهتری دارد.

Keywords:

پیش بینی پیوند , نمودار دانش , تکمیل نمودار دانش , یادگیری عمیق , مبدل ها