ترجمه فارسی مقاله بهبود تکمیل نمودار دانش ناهمگن با رویکردی جدید مبتنی بر GAT

چکیده

Knowledge graphs (KGs) play a vital role in enhancing search results and recommendation systems. With the rapid increase in the size of the KGs, they are becoming inaccuracy and incomplete. This problem can be solved by the knowledge graph completion methods, of which graph attention network (GAT)-based methods stand out since their superior performance. However, existing GAT-based knowledge graph completion methods often suffer from overfitting issues when dealing with heterogeneous knowledge graphs, primarily due to the unbalanced number of samples. Additionally, these methods demonstrate poor performance in predicting the tail (head) entity that shares the same relation and head (tail) entity with others. To solve these problems, we propose GATH, a novel GAT-based method designed for Heterogeneous KGs. GATH incorporates two separate attention network modules that work synergistically to predict the missing entities. We also introduce novel encoding and feature transformation approaches, enabling the robust performance of GATH in scenarios with imbalanced samples. Comprehensive experiments are conducted to evaluate the GATH’s performance. Compared with the existing SOTA GAT-based model on Hits@10 and MRR metrics, our model improves performance by 5.2% and 5.2% on the FB15K-237 dataset, and by 4.5% and 14.6% on the WN18RR dataset, respectively.

چکیده به فارسی (ترجمه ماشینی)

نمودارهای دانش (کیلوگرم) نقش مهمی در تقویت نتایج جستجو و سیستم های توصیه ای دارند.با افزایش سریع اندازه KG ها ، آنها نادرست و ناقص می شوند.این مشکل را می توان با روشهای تکمیل نمودار دانش حل کرد ، که روشهای مبتنی بر شبکه توجه نمودار (GAT) از زمان عملکرد برتر آنها از هم جدا می شوند.با این حال ، روشهای تکمیل نمودار دانش مبتنی بر GAT اغلب هنگام برخورد با نمودارهای دانش ناهمگن ، از مسائل بیش از حد رنج می برند ، در درجه اول به دلیل تعداد نامتعادل نمونه ها.علاوه بر این ، این روش ها عملکرد ضعیفی را در پیش بینی موجودیت دم (سر) نشان می دهد که دارای یک رابطه و سر (دم) یکسان با دیگران است.برای حل این مشکلات ، ما Gath را پیشنهاد می کنیم ، یک روش جدید مبتنی بر GAT که برای KG های ناهمگن طراحی شده است.گات شامل دو ماژول شبکه توجه جداگانه است که برای پیش بینی موجودات مفقود شده به صورت هم افزایی کار می کنند.ما همچنین رویکردهای رمزگذاری جدید و ویژگی های تحول را معرفی می کنیم و عملکرد قوی GATH را در سناریوها با نمونه های نامتعادل فراهم می کنیم.آزمایش های جامع برای ارزیابی عملکرد گات انجام می شود.در مقایسه با مدل موجود مبتنی بر SOTA GAT در معیارهای HITS@10 و MRR ، مدل ما به ترتیب 5.2 ٪ و 5.2 ٪ در مجموعه داده های FB15K-237 و 4.5 ٪ و 14.6 ٪ در مجموعه داده WN18RR را بهبود می بخشد.