| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2019-06-01 11:30 知識グラフとベクトル空間の特徴の共同埋め込み ○門木斗夢・黄 潤和・藤田 悟（法政大）  SC2019-10 |
|
| 抄録 | （和） | 検索エンジンなどで活用される知識グラフは，知識の埋め込みモデルによって低次元ベクトル空間上に埋め込むことができる．しかし，従来の知識の埋め込みモデルでは，概念の多義性を表現することができない．本研究では，単語の意味的ベクトル空間における類似性を埋め込みモデル上で再現するWKモデルを提案し，この問題の解決を図る．実験では，知識グラフの性能と類似性の埋め込み誤差について，既存研究のTransEと比較を行った．その結果，単語の意味的ベクトル空間の類似性を知識とともに埋め込むことができることを示すことができ，類似性の距離概念によってTransEの距離関数による性能差異を減らすことで，よりバランスの良い性能となることを示すことができた． |
| （英） | Knowledge Graph, utilized in search engine, can be embed in a low dimensional vector space with knowledge graph embedding model. The traditional approach for knowledge graph embedding model could hardly express overloading meaning in entities. In this paper, we propose WKmodel that embeds similarity in the word representation in vector space into the knowledge graph embedding model. We compared WKmodel with TransE in terms of the performance of knowledge graph and similarities between the embedding model and the word representation in vector space. There are two results shown in this paper; WKmodel can embed similarity of word representation in the vector space with knowledge, and achieves the balanced performance in entity prediction by embedding the similarity measure from knowledge. | |
| キーワード | （和） | 知識グラフ / 知識の埋め込みモデル / 単語ベクトル / 関係性予測 / 単語の類似性 / / / |
| （英） | Knowledge graph / Knowledge embedding model / Word vector / Entity prediction / Word similarity / / / | |
| 文献情報 | 信学技報, vol. 119, no. 66, SC2019-10, pp. 55-60, 2019年5月. | |
| 資料番号 | SC2019-10 | |
| 発行日 | 2019-05-24 (SC) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | SC2019-10 |
|
| 研究会情報 | |
| 研究会 | SC |
| 開催期間 | 2019-05-31 - 2019-06-01 |
| 開催地（和） | 物質・材料研究機構(千現地区) |
| 開催地（英） | National Institute for Materials Science |
| テーマ（和） | サイエンス・サービスプラットフォーム/データサービスと機械学習, 一般 |
| テーマ（英） | Science Service Platform, Data Service and Machine Learning, etc |
| 講演論文情報の詳細 | |
| 申込み研究会 | SC |
| 会議コード | 2019-05-SC |
| 本文の言語 | 日本語 |
| タイトル（和） | 知識グラフとベクトル空間の特徴の共同埋め込み |
| サブタイトル（和） | |
| タイトル（英） | Jointly Embedding Knowledge Graph and Feature in Vector Space |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 知識グラフ / Knowledge graph |
| キーワード(2)（和/英） | 知識の埋め込みモデル / Knowledge embedding model |
| キーワード(3)（和/英） | 単語ベクトル / Word vector |
| キーワード(4)（和/英） | 関係性予測 / Entity prediction |
| キーワード(5)（和/英） | 単語の類似性 / Word similarity |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 門木 斗夢 / Tomu Kadoki / カドキ トム |
| 第1著者 所属（和/英） | 法政大学大学院 (略称： 法政大) Hosei University (略称： Hosei Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 黄 潤和 / Runhe Huang / ファン ルンヘ |
| 第2著者 所属（和/英） | 法政大学 (略称： 法政大) Hosei University (略称： Hosei Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 藤田 悟 / Satoru Fujita / フジタ サトル |
| 第3著者 所属（和/英） | 法政大学 (略称： 法政大) Hosei University (略称： Hosei Univ.) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2019-06-01 11:30:00 |
| 発表時間 | 30分 |
| 申込先研究会 | SC |
| 資料番号 | SC2019-10 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | no.66 |
| ページ範囲 | pp.55-60 |
| ページ数 | 6 |
| 発行日 | 2019-05-24 (SC) |
[研究会発表申込システムのトップページに戻る]