اکسپرس 24
ترجمه فارسی مقاله بهبود تکمیل نمودار دانش ناهمگن با رویکردی جدید مبتنی بر GAT

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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Enhancing Heterogeneous Knowledge Graph Completion with a Novel GAT-based Approach
عنوان مقاله به فارسی بهبود تکمیل نمودار دانش ناهمگن با رویکردی جدید مبتنی بر GAT
نویسندگان Wanxu Wei, Yitong Song, Bin Yao
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Journal ref: ACM Transactions on Knowledge Discovery from Data, Volume 18, Issue 4, 2024
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، مجله Ref: معاملات ACM در مورد کشف دانش از داده ها ، دوره 18 ، شماره 4 ، 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.