ज्ञान ग्राफ प्रतिनिधित्व अधिगम के लिए एक बहु-आयामी अनुवाद-आधारित दृष्टिकोण

ज्ञान ग्राफ (KG) प्रतिनिधित्व अधिगम के लिए वर्तमान विधियाँ केवल KG की संरचना पर ध्यान केंद्रित करती हैं और KG_entities के लिए दृश्य और भाषाई जानकारी जैसी किसी भी प्रकार की बाहरी जानकारी का उपयोग नहीं करती हैं। इस पेपर में, हम एक बहु-आयामी अनुवाद-आधारित दृष्टिकोण प्रस्तावित करते हैं जो KG त्रैतीय का ऊर्जा को उप-ऊर्जा कार्यों के योग के रूप में परिभाषित करता है, जो बहु-आयामी (दृश्य और भाषाई) और संरचनात्मक KG प्रतिनिधित्व दोनों का लाभ उठाते हैं। इसके बाद, एक रैंकिंग-आधारित हानि को एक सरल न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करके कम किया जाता है। इसके अलावा, हम बहु-आयामी KG प्रतिनिधित्व अधिगम के लिए एक नया बड़े पैमाने का डेटा सेट प्रस्तुत करते हैं। हमने हमारे दृष्टिकोण के प्रदर्शन की तुलना अन्य मानकों से दो मानक कार्यों में की, अर्थात् ज्ञान ग्राफ पूर्ति और त्रैतीय वर्गीकरण, हमारे साथ-साथ WN9-IMG डेटा सेट का उपयोग करके। परिणाम बताते हैं कि हमारा दृष्टिकोण दोनों कार्यों और डेटा सेट पर सभी मानकों से बेहतर प्रदर्शन करता है।