知識グラフにおける関係性機械学習のレビュー

関係性機械学習は、関係データまたはグラフ構造データの統計解析手法を研究します。本論文では、これらの統計モデルが大規模な知識グラフにどのように「訓練」され、世界の新しい事実（グラフの新しいエッジを予測することに相当）を予測するためにどのように使用されるかをレビューします。特に、巨大なデータセットにスケーリングできる二つの本質的に異なる種類の統計関係モデルを議論します。最初のモデルは、テンソル分解や多次元ニューラルネットワークのような潜在特徴モデルに基づいています。二つ目は、グラフ内の観察可能なパターンをマイニングすることに基づいています。さらに、これらの潜在的および観察可能なモデルを組み合わせて、計算コストを下げながらモデリング能力を向上させる方法も示します。最後に、グラフの統計モデルがテキストベースの情報抽出手法と組み合わされて、Webから自動的に知識グラフを構築する方法についても議論します。そのために、Googleの知識バルトプロジェクトをそのような組み合わせの例としても取り上げます。