http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Entity Classification Based on Graph Convolutional Networks for Knowledge Graphs
Yuxiang Sun(순위샹),Hongzhu Duan(단홍주),Yongju Lee(이용주) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.6
지식 그래프의 엔티티 분류는 엔터티를 연속적인 저차원 공간에 투영하고 엔티티의 벡터 값을 기반으로 클러스터링을 수행하는 것을 목표로 한다. 본 논문에서는 엔터티를 2차원 공간에 임베드하기 위한 그래프 컨볼루션 네트워크 모델을 제안하고, 밀도 기반 공간 클러스터링 알고리즘을 사용하여 다양한 임베딩 모델의 클러스터링 성능을 평가한다. 기존의 임베딩 기반 접근 방식과 비교하여 제안된 그래프 컨볼루션 네트워크 모델은 더 나은 클러스터링 성능을 보여주고 이의 우수한 엔티티 표현 능력도 증명된다. The entity classification of knowledge graphs aims to project entities into a continuous low-dimensional space and perform clustering based on the vector values of entities. In this paper, we proposed a graph convolutional network model to embed entities into a two-dimensional space. Afterward, a density-based spatial clustering algorithm is utilized to evaluate clustering performance of different embedding models. Compare to traditional embedding-based approaches, the proposed graph convolutional network model shows a better clustering performant, its excellent entity representation ability is also proved.
클러스터링 알고리즘 기반의 임베딩 기법 성능 비교 및 분석
박정민(Jungmin Park),박희민(Heemin Park),양선아(Seona Yang),순위샹(Yuxiang Sun),이용주(Yongju Lee) 한국방송·미디어공학회 2021 한국방송공학회 학술발표대회 논문집 Vol.2021 No.11
최근 구글, 아마존, LOD 등을 중심으로 지식 그래프(Knowledge graph)와 같은 검색 고도화 연구가 활발히 수행되고 있다.그러나 대규모 지식 그래프 인덱싱 시스템에서 데이터가 어떻게 임베딩(embedding)되고, 딥러닝(deep learning) 되는지는 상대적으로 거의 연구가 되지 않고 있다. 이에 본 논문에서는 임베딩 모델에 대한 성능평가를 통해 데이터셋에 대해 어떤 모델이 가장 좋은 지식 임베딩 방법을 도출하는지 분석한다.