***************«بسم الله الرحمن الرحیم» نشریه علمی «پردازش علائم و داده‌ها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوری‌های پیشرفته ***************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 23، شماره 1 - ( 3-1405 )
جلد 23 شماره 1 صفحات 50-37 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Torabian N, Radaei H, Minaei-Bidgoli B, Jahanshahi M. Enhancing Knowledge Graph with Selectional Preferences. JSDP 2026; 23 (1) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1479-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1479-fa.html
ترابیان نجمه، ردایی هما، مینایی بیدگلی بهروز، جهانشاهی محسن. ارتقای گراف دانش با بهره‌گیری از روش ترجیحات گزینشی. پردازش علائم و داده‌ها. 1405; 23 (1) :37-50
استاد گروه نرم‌افزار، دانشکدۀ مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران
چکیده: (543 مشاهده)
در فرآیند ساخت گراف‌های دانش از کلان‌داده‌ها، بسیاری از اجزای ضروری دانش نادیده گرفته می‌شوند. «پیش‌بینی پیوند» برای رفع این چالش و توسعۀ روش‌هایی برای افزودن روابط ازدست‌رفته به گراف‌های دانش پدید آمده است. با وجود پیشرفت‌های قابل توجه، روش‌های کنونی پیش‌بینی پیوند، همچنان نیازمند بهبود هستند تا به سطح دقت مورد نیاز برای کاربردهای عملی در صنعت برسند. این پژوهش رویکردی نوآورانه ارائه می‌دهد که با بهره‌گیری از ترجیحات گزینشی، دقت پیش‌بینی پیوند در گراف‌های دانش را افزایش می‌دهد. ترجیحات گزینشی تاکنون در حوزۀ پردازش متن مورد استفاده قرار می‌گرفته است. این پژوهش ادعا می‌کند که اعمال ترجیحات گزینشی بر گراف دانش می‌تواند با استفاده از الگوهای باهم‌آیی موجودیت‌ها و روابط در گراف دانش، عملکرد پیش‌بینی پیوند را بهبود بخشد. برای آزمون این فرضیه، رویکرد پیشنهادی روی مجموعه‌دادۀ معیار فارسی «فارس‌پیش‌بین»[1] از طریق اعمال ترجیحات گزینشی بر روی دگرنمایی‌های متنی پیاده‌سازی شده است. نتایج آزمایش این رویکرد، بهبود قابل توجه دقت پیش‌بینی پیوند را نشان می‌دهد؛ به‌طوری‌که در روش Word2Vec دقت شبه‌رفع‌ابهام دوطرفه از ۷۱٫۲ درصد به ۷۸٫۹ درصد و سه‌طرفه از ۶۳٫۵ درصد به ۷۱٫۶ درصد افزایش یافته است. این نتایج، شواهد محکمی برای تأیید فرضیۀ اولیه فراهم می‌کند. نتایج نشان می‌دهد که ادغام ترجیحات گزینشی در فرآیند پیش‌بینی، توانایی سامانه را در پیش‌بینی پیوندهای ازدست‌رفتۀ محتمل در گراف دانش به‌طور مؤثری افزایش می‌دهد. این یافته‌ها، توانمندی ترجیحات گزینشی را برای بهبود عملکرد پیش‌بینی پیوند تأیید می‌کنند؛ اگرچه تأثیر ترکیب ترجیحات گزینشی با دگرنمایی‌های متنی در این پژوهش به اثبات رسیده است، اما تکرارپذیری این یافته‌ها در سایر روش‌های دگرنمایی متن یا سایر روش‌های دگرنمایی گراف دانش نیازمند بررسی بیشتر است؛ با این‌حال، کاربرد موفقیت‌آمیز این روش بر روی داده‌های معیار فارسی، ارزش آن را برای بهبود دقت پیش‌بینی پیوند در زبان‌ها و حوزه‌هایی که الگوهای رابطه‌ای در آن‌ها کمتر مطالعه شده‌اند، برجسته می‌سازد. پژوهش‌های آینده باید به بررسی ادغام این روش با روش‌های متعارف پیش‌بینی پیوند که بر دگرنمایی متن یا دگرنمایی گراف دانش تکیه دارند، بپردازند تا رویکرد پیشنهادی را برای طیف وسیعی از سامانه‌های موجود قابل اجرا سازند.
[1] مجموعه‌دادۀ معیار فارسی «فارس‌پیش‌بین» ویژۀ وظیفۀ پیش‌بینی پیوند طراحی شده است.
شماره‌ی مقاله: 3
واژه‌های کلیدی: پیش‌بینی پیوند، ترجیحات گزینشی، دگرنمایی واژگان، تکمیل گراف دانش، دگرنمایی گراف دانش.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1404/4/29 | پذیرش: 1405/6/2 | انتشار: 1405/6/15 | انتشار الکترونیک: 1405/6/15
دریافت: 1404/4/29 | پذیرش: 1405/6/2 | انتشار: 1405/6/15 | انتشار الکترونیک: 1405/6/15
فهرست منابع
1. N. Li, Q. Shen, R. Song, Y. Chi, and H. Xu, "MEduKG: A Deep-Learning-Based Approach for Multi-Modal Educational Knowledge Graph Construction," Information, vol. 13, p. 91, 2022. [DOI:10.3390/info13020091]
2. سیده فاطمه کریمی، مریم خدابخش، «پیش‌بینی عملکرد نتایج پرس‌وجو به کمک روش‌های بدون نظارت»، فصلنامۀ پردازش علائم و داده‌ها، دورۀ ۲۲، شمارۀ ۱، صص ۳ - ۱۲، ۱۴۰۴.
2. S. F. Karimi and M. Khodabakhsh, "Unsupervised Query Performance Prediction," J. Signal Data Process., vol. 22, no. 1, pp. 3-12, 2025. [DOI:10.61186/jsdp.22.1.3]
3. I. Ferrari, G. Frisoni, P. Italiani, G. Moro, and C. Sartori, "Comprehensive Analysis of Knowledge Graph Embedding Techniques Benchmarked on Link Prediction," in Electronics (Switzerland), 2022. doi: 10.3390/electronics11233866. [DOI:10.3390/electronics11233866]
4. E. Amador-Domínguez, E. Serrano, and D. Manrique, "GEnI: A framework for the generation of explanations and insights of knowledge graph embedding predictions," Neurocomputing, vol. 521, pp. 199-212, 2023. [DOI:10.1016/j.neucom.2022.12.010]
5. علیرضا اسحاق‌پور، مصطفی صالحی، وحید رنجبر، «ارائۀ یک مدل پیش‌بینی یال مبتنی بر شباهت ساختاری و هوموفیلی در شبکه‌های اجتماعی»، فصلنامۀ پردازش علائم و داده‌ها، جلد ۱۶، شمارۀ ۴، صص ۴۵ - ۵۸، ۱۳۹۸.
5. A. Eshaghpoor, M. Salehi, and V. Ranjbar, "Providing a Link Prediction Model based on Structural and Homophily Similarity in Social Networks," J. Signal Data Process., vol. 16, no. 4, pp. 45-58, 2020. [DOI:10.29252/jsdp.16.4.45]
6. S. Jiang et al., "Reliable semantic communication system enabled by knowledge graph," Entropy, vol. 24, p. 846, 2022. [DOI:10.3390/e24060846]
7. P. Caudal and J. Bednall, "Aspectuo-temporal underspecification in Anindilyakwa: Descriptive, theoretical, typological and quantitative issues," Languages, vol. 8, p. 8, 2023. [DOI:10.3390/languages8010008]
8. نجمه ترابیان، بهروز مینایی بیدگلی، محسن جهانشاهی، «دادۀ محکی برای تحلیل مدل‌های دگرنمایی گراف دانش برای مسئلۀ پیش‌بینی پیوند در زبان‌های کم منبع»، مجلۀ علمی رایانش نرم و فناوری اطلاعات، دورۀ ۱۳، شمارۀ ۴، صص ۳۸ -۴۸، ۱۴۰۳.
8. N. Torabian, B. Minaei-Bidgoli, and M. Jahanshahi, "A Benchmark for Analyzing Knowledge Graph Embedding for Link Prediction Problem in Low-Resource Languages," J. Soft Comput. Inf. Technol., vol. 13, no. 4, pp. 38-48, 2025.
9. P. Resnik, "Selection and Information: A Class-Based Approach to Lexical Relationships," Ph.D. thesis, University of Pennsylvania, 1993. [DOI:10.3115/981967.982021]
10. E. Agirre and D. Martinez, "Learning class-to-class selectional preferences," in Proceedings of the ACL 2001 Workshop on Computational Natural Language Learning (ConLL), 2001. [DOI:10.3115/1117822.1117825]
11. M. Light and W. Greiff, "Statistical models for the induction and use of selectional preferences," Cogn. Sci., vol. 26, pp. 269-281, 2002. [DOI:10.1207/s15516709cog2603_4]
12. W. Roberts and M. Egg, "A comparison of selectional preference models for automatic verb classification," in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 511-522. [DOI:10.3115/v1/D14-1057]
13. M. Nadejde, A. Birch, and P. Koehn, "Modeling selectional preferences of verbs and nouns in string-to-tree machine translation," in Proceedings of the First Conference on Machine Translation: Volume 1 Research Papers, 2016, pp. 32-42. [DOI:10.18653/v1/W16-2204]
14. N. Inoue, Y. Matsubayashi, M. Ono, N. Okazaki, and K. Inui, "Modeling Context-sensitive Selectional Preference with Distributed Representations," in COLING, 2016, pp. 2829-2838.
15. B. Heinzerling, N. Moosavi, and M. Strube, "Revisiting Selectional Preferences for Coreference Resolution," in Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, 2017, pp. 1332-1339. [DOI:10.18653/v1/D17-1138]
16. M. Le and A. Fokkens, "Neural models of selectional preferences for implicit semantic role labeling," in Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018), 2018. [DOI:10.63317/26w4os8fcfow]
17. R. Solomon, P. Srinivas, A. Narayan, and A. Das, "Understanding the Selectional Preferences of the Twitter Mentions Network," Int. J. Comput. Inf. Eng., vol. 12, pp. 638-643, 2018.
18. H. Zhang, H. Ding, and Y. Song, "SP-10K: A large-scale evaluation set for selectional preference acquisition," ACL 2019 - 57th Annu. Meet. Assoc. Comput. Linguist. Proc. Conf., pp. 722-731, 2019, doi: 10.18653/v1/p19-1071. [DOI:10.18653/v1/P19-1071]
19. H. Zhang et al., "Multiplex word embeddings for selectional preference acquisition," in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), 2019, pp. 5247-5256. [DOI:10.18653/v1/D19-1528]
20. E. Metheniti, T. de Cruys, and N. Hathout, "How Relevant Are Selectional Preferences for Transformer-based Language Models?," in Proceedings of the 28th International Conference on Computational Linguistics, 2020, pp. 1266-1278. [DOI:10.18653/v1/2020.coling-main.109]
21. T. Thrush, E. Wilcox, and R. Levy, "Investigating Novel Verb Learning in BERT: Selectional Preference Classes and Alternation-Based Syntactic Generalization," in Proceedings of the Third Blackbox NLP Workshop on Analyzing and Interpreting Neural Networks for NLP, 2020, pp. 265-275. [DOI:10.18653/v1/2020.blackboxnlp-1.25]
22. H. Zhang et al., "Aser: Towards large-scale commonsense knowledge acquisition via higher-order selectional preference over eventualities," Artif. Intell., p. 103740, 2022. [DOI:10.1016/j.artint.2022.103740]
23. C. Shu, J. He, G. Xue, and C. H. Xie, "Grain knowledge graph representation learning: A new paradigm for microstructure-property prediction," Crystals, vol. 12, p. 280, 2022. [DOI:10.3390/cryst12020280]
24. G. Trouli, A. Pappas, G. Troullinou, L. Koumakis, N. Papadakis, and H. Kondylakis, "SumMER: Structural Summarization for RDF/S KGs," Algorithms, vol. 16, p. 18, 2023. [DOI:10.3390/a16010018]
25. M. Papadaki, Y. Tzitzikas, and M. Mountantonakis, "A Brief Survey of Methods for Analytics over RDF Knowledge Graphs," Analytics, vol. 2, pp. 55-74, 2023. [DOI:10.3390/analytics2010004]
26. O. Levy and Y. Goldberg, "Dependency-based word embeddings," in Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers), 2014, pp. 302-308. [DOI:10.3115/v1/P14-2050]
27. عسگرعلی بویر، سمیه نوروزی، «نمونه‌گیری از گراف شبکه‌های اجتماعی براساس ویژگی‌های توپولوژیکی و الگوریتم کلونی زنبور عسل»، فصلنامۀ پردازش علائم و داده‌ها، دورۀ ۱۷، شمارۀ ۳، صص ۵۵ - ۷۰، ۱۳۹۸.
27. A. Bouyar and S. Norouzi, "Sampling Social Network Graphs Based on Topological Properties and Artificial Bee Colony Algorithm," J. Signal Data Process., vol. 17, no. 3, pp. 55-70, 2020. [DOI:10.29252/jsdp.17.3.55]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |