Key points are not available for this paper at this time.
ندرس مشكلة تضمين الرسم البياني المعرفي (KG). يُفترض على نطاق واسع في هذه المشكلة أنه من المحتمل أن تكون الكيانات المتشابهة لها أدوار علاقات مشابهة. ومع ذلك، تستند الأساليب المتعلقة الموجودة حاليًا إلى تضمينات KG بشكل أساسي على التعلم على مستوى الثلاثيات، التي تفتقر إلى القدرة على التقاط الاعتماديات العلائقية طويلة الأمد للكيانات. علاوة على ذلك، فإن التعلم على مستوى الثلاثيات غير كافٍ لنشر المعلومات الدلالية بين الكيانات، خاصة في حالة تضمين الرسوم البيانية المعرفية المتقاطعة. في هذه الورقة، نقترح الشبكات المتكررة القابلة للتخطي (RSNs)، التي تستخدم آلية التخطي لسد الفجوات بين الكيانات. تدمج RSNs الشبكات العصبية المتكررة (RNNs) مع التعلم المتبقي لالتقاط الاعتماديات العلائقية طويلة الأمد بكفاءة داخل وعبر الرسوم البيانية المعرفية. نصمم إطار عمل شامل لدعم RSNs في مهام مختلفة. أظهرت نتائجنا التجريبية أن RSNs تفوقت على الأساليب المعتمدة على التضمين الأكثر تقدمًا في محاذاة الكيانات وحققت أداءً تنافسياً في إكمال KG.
قام Guo وآخرون (Mon,) بدراسة هذا السؤال.