意味的な妥当性・検索性能・学習精度を考慮したイベント情報のナレッジグラフ化の研究

点击翻译按钮获取中文摘要

様々なデータを「主語，述語，目的語」の三つ組み（トリプル）形式で関連付けるナレッジグラフ（KG）は，観測データなどの時空間的に生起する事象（イベント）の記述にも用いることができ，このようなKGをイベント中心ナレッジグラフやイベントナレッジグラフ（イベントKG）と称する．イベントKG化には，イベントノードを中心にして主語，述語，目的語，その他の情報をリンクするパターン（イベント中心モデル）や，トリプルごとに述語のインスタンスを作成するパターン（Singleton Property），トリプルを1つのリソースとして扱い，トリプルのトリプルを作成するパターン（RDF-star）など，異なるメタデータ表現モデルが存在する．本研究では，これらのメタデータ表現モデルの実用上の利点と欠点の特性を明らかにすることを目指す．今年度は，KGの機械学習応用のためのベクトル空間埋め込みの観点から分析するため，イベントKGに各メタデータ表現モデルを適用したデータセットを作成した．さらに，各メタデータ表現モデルを適用したデータに，KG埋め込みモデル（TransE）を適用し，トリプルのリンク予測の実験を行った．その結果，リンク予測においてRDF-starやSingleton Propertyモデルが優れていることが明らかとなり，その要因を分析して考察した．実験と考察の過程で，全てのメタデータ表現モデルの意味表現を同等に正しく学習できるKG埋め込みモデルが存在しないことが判明したため，新たな埋め込みモデルの開発に取り組むこととなった．