31、使用嵌入技术预测大型语义图的变化

使用嵌入技术预测大型语义图的变化

在当今的大数据时代，理解和预测大型知识图随时间的变化是一项极具挑战性但又非常有用的任务。本文将深入探讨如何利用自然语言处理（NLP）中的词嵌入技术来预测大型语义图中节点的变化。

1. 引言

我们的目标是理解和预测大型知识图随时间的变化，以应对各种技术挑战，例如与数据增长相关的基础设施需求。一个重要的子问题是预测图中哪些节点的边不会被删除或更改（仅添加节点），哪些节点根本不会发生任何变化（常量节点），以及哪些节点不会添加或修改任何边（仅删除节点）。正确预测仅添加节点具有实际意义，因为这些节点可以被缓存或以更高效的数据结构表示。

在大规模语义图中，存在两种类型的变化：模型增强和模型修正。模型增强是指模型更好地捕捉了现实世界的真相，而模型修正则是由于现实世界发生了变化，模型需要更新。我们的工作重点是找到那些仅添加新信息而不修改现有数据的节点。

在之前的工作中，我们使用逻辑回归方法，以二进制属性值作为特征，在DBpedia的变化预测中实现了90%以上的精度。而本文通过使用词嵌入技术来表示大型语义本体中的节点，进一步改进了这些结果。

2. 相关工作

在大数据挖掘中，挖掘具有特殊属性的图节点并不是一个新课题。随着DBpedia的不断发展，许多研究致力于利用这一资源进行与人工智能相关的任务，并对其变化进行建模。

例如，有研究致力于建模DBpedia的数据时效性，即数据的年龄以及系统能够捕捉这些变化的速度。由于维基百科页面中并不总是包含资源的修改/创建日期信息，因此研究人员提出了一种结合原始相关页面数据和一些时效性指标的模型来估计数据的时效性。

此外，还有研究