توصيفگر ها :
يادگيري عميق , شبكه‌هاي عصبي گرافي , مدل‌هاي گراف به دنباله , گراف , كد‌گذاري موقعيت
چكيده فارسي :
امروزه با پيشرفت تكنولوژي و گسترش استفاده از وسايل هوشمند، تمايل براي استفاده از هوش مصنوعي بسيار رشد كرده است. سهولت جمع‌آوري اطلاعات و پيشرفت‌هاي يادگيري نقطه به نقطه با استفاده از شبكه‌هاي يادگيري عميق باعث تحولات چشمگيري در حل مسائل مختلف هوش مصنوعي شده است. براي مثال مسائل پردازش زبان‌هاي طبيعي و بينايي ماشين به كمك شبكه‌هاي عصبي و يادگيري عميق به دقت قابل قبولي رسيده‌است. با اين وجود در همه‌ي اين كاربرد‌ها، داده‌ها داراي ساختار اقليدسي هستند. در سال‌هاي اخير كاربردهاي بسياري به‌وجود آمده‌اند كه در آن‌ها داده‌ها ساختار منظمي مثل عكس يا متن ندارند، بلكه داراي ساختاري غير اقليدسي هستند كه مي‌توان از گراف براي نمايش آن استفاده كرد. بسياري از مسائل مي‌توانند به صورت توليد دنباله‌اي از كلمات با گراف بيان شوند. در اين مسائل، معمولا ورودي به صورت يك گراف ناهمگن مانند گراف دانش است كه براي نمايندگي آن از يك بردار تعبيه‌ي گراف استفاده مي‌شود. اين گراف، به يك شبكه‌ي يادگيري عميق داده مي‌شود كه اين شبكه وظيفه‌ي ايجاد برداري جهت توليد مفهوم پنهان دانش در گراف را دارد كه كدگذار ناميده‌مي‌شود. اين مفهوم پنهان به عنوان ورودي به همراه نمايندگي مساله به يك كد‌گشا داده مي‌شود تا دنباله‌اي از كلمات به عنوان خروجي توليد شود. در اين پژوهش، تلاش مي‌شود تا با اضافه كردن اطلاعات اضافه در مورد موقعيت رأس‌هاي گراف به شبكه‌هاي كدگذار و كدبردار راهكار مناسبي جهت توليد پرسش از گراف دانش ورودي ارائه شود. براي به دست آوردن اين كد‌گذاري موقعيت از مدلي مشابه با مدل اصلي كمك گرفته مي‌شود كه بر روي مساله‌اي متفاوت با مدل اصلي آموزش ديده‌است. در مدل كمكي مدل سعي مي‌كند متن موجود در رأس جواب را پيش‌بيني كرده و به اين ترتيب براي هر رأس گراف بردار تعبيه محاسبه مي‌شود. از اين بردار تعبيه به عنوان كد گذاري موقعيت در مدل اصلي استفاده مي‌شود. لازم به ذكر است در هر گراف دانش ورودي مدل، رأس جواب مشخص است و در نهايت از مدل انتظار مي‌رود پرسشي در مورد رأس جواب مطرح كند. نتايج به دست آمده بر روي دو مجموعه داده‌ي WebQuestion و PathQuestion نشان مي‌دهد مدل پيشنهادي مي‌تواند به عنوان يك راهكار با كارايي خوب مورد استفاده قرار گيرد.
چكيده انگليسي :
Today, with the advancement of technology and the expansion of smart devices, the desire to use artificial intelligence has grown a lot. The ease of collecting information and improvements in point-to-point learning with deep learning networks will cause significant changes in problem-solving. For example, the accuracy has dramatically improved with the help of neural networks and deep learning in natural language processing and machine vision applications. However, in all these applications, the data has a Euclidean structure. In recent years, many applications have emerged in which the data do not have a regular structure, such as images or texts, but have a non-Euclidean structure that a graph can represent. Generating sequences of words from graphs can express many of these problems. In these cases, usually, the input is in the form of a heterogeneous graph like the knowledge graph. This graph is given to an encoder, a deep learning network, which processes the input graph and generates vectors as the hidden state of the knowledge graph. This hidden state is given to a decoder as input along with the representation of sequence to produce word sequences as output. In this research, an attempt is made to add additional information about the position of the vertices to the networks to provide a suitable solution for converting graphs into sequences of words. In particular, a question is generated from a knowledge graph by an attention-based model using positional encoding.
