Ενθέσεις ερωτημάτων σε γράφους γνώσης

Κακαμπάκος, Απόστολος; Kakampakos, Apostolos

dc.contributor.author	Κακαμπάκος, Απόστολος	el
dc.contributor.author	Kakampakos, Apostolos	en
dc.date.accessioned	2024-03-22T07:39:44Z
dc.date.available	2024-03-22T07:39:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59032
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26728
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ενθέσεις	el
dc.subject	Γράφος Γνώσης	el
dc.subject	Νευρωνικά δίκτυα γράφων	el
dc.subject	Οντότητες	el
dc.subject	Σχέσεις	el
dc.subject	Embeddings	en
dc.subject	Knowledge Graph	en
dc.subject	Graph Neural Networks	en
dc.subject	Entities	en
dc.subject	Relations	en
dc.title	Ενθέσεις ερωτημάτων σε γράφους γνώσης	el
dc.title	Query Embeddings in Knowledge Graphs	en
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.classification	Information Retrieval	en
heal.classification	Εξαγωγή Πληροφοριών	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-31
heal.abstract	Οι κλάδοι της αναπαράστασης γνώσης και συλλογιστικής αποτελούν μερικά από τα σημαντικότερα πεδία της Τεχνητής Νοημοσύνης. Ο τρόπος με τον οποίο μπορεί κανείς να περιγράψει το κόσμο σε μία μηχανή ώστε αυτή να μπορεί να τον κατανοήσει, αλλά και να δράσει σε αυτόν είναι ένα ανοιχτό πρόβλημα. Από την αρχή, οι γράφοι γνώσης αποτέλεσαν ένα σημαντικό εργαλείο για την αναπαράσταση διαφόρων αντικειμένων και των σχέσεων μεταξύ τους. Μάλιστα με τη χρήση διαφόρων συστημάτων λογικής όπως οι περιγραφικές λογικές, μπορεί μια μηχανή να κάνει συλλογισμούς σε αυτούς τους γράφους. Από σχεδιασμού τους όμως, οι γράφοι γνώσης είναι πρακτικά πάντα μη πλήρεις, το οποίο όμως σίγουρα θα οδηγήσει και σε εσφαλμένους συλλογισμούς. Επομένως, δημιουργήθηκαν δύο γενικά προβλήματα. Το πρώτο είναι η συμπλήρωση γράφων γνώσης, από απλή συλλογή πληροφοριών μέχρι χρήση τεχνικών μηχανικής μάθησης. Το δεύτερο πρόβλημα, στο οποίο και υπάγεται η διπλωματική αυτή εργασία, είναι η συλλογιστική σε μη πλήρεις γράφους. Όπως στα άλλα προβλήματα της τεχνητής νοημοσύνης, έτσι και σε αυτό οι πρώτες τεχνικές βασίζονταν σε έξυπνους "γραμμένους με το χέρι" κανόνες, όμως στη συνέχεια οδηγήθηκε η προσπάθεια στην υιοθέτηση προσεγγίσεων που βασίζονται σε πολλά δεδομένα. Στη συνέχεια η χρήση μοντέρνων τεχνικών, όπως οι ενθέσεις, χρησιμοποιήθηκαν και στα δύο προβλήματα. Η αρχή έγινε στο πρόβλημα της πρόβλεψης συνδέσμου όπου χρησιμοποιήθηκαν απλές τεχνικές ενσωμάτωσης όπως το Transe. Μετέπειτα, οι τεχνικές ένθεσης αποτέλεσαν βασικό κορμό ανάλυσης προβλημάτων σε αυτό το πεδίο. Στόχος της διπλωματικής εργασίας είναι να ακολουθήσει και να εφαρμόσει μία σειρά ιδεών από διάφορες σύγχρονες εργασίες, όπως για παράδειγμα το Query2box. Σε αυτή την εργασία θα χρησιμοποιηθούν τα νευρωνικά δίκτυα για γραφήματα (GNN), για την ένθεση οντοτήτων και ερωτημάτων με στόχο το συλλογισμό σε μη πλήρεις γράφους γνώσης. Αρχικά θα γίνει αναφορά στη συλλογή δεδομένων για τις εκπαιδεύσεις. Έπειτα, θα παρουσιαστούν πληθώρα αρχιτεκτονικών, εμπνευσμένων από ερευνητικές εργασίες και κατ' επέκταση θα γίνει ανάλυση της εκπαίδευσης τους. Τέλος, θα γίνει σύγκριση με τις επιδόσεις τεχνικών τελευταίας τεχνολογίας στις μετρικές της βιβλιογραφίας.	el
heal.abstract	The fields of knowledge representation and reasoning, are fundamentally important to the development of Artificial Intelligence. The way in which one can describe the world to a machine so it can be able to understand as well as reason in said world is an open problem. Almost from the beginning, knowledge graphs became an important tool to represent objects and their relationships. Not only that, but using various systems of logic, like description logics, machines could in principle reason with these graphs about the world. Unfortunatelly, by design, knowledge graphs are almost always incomplete, which will certainly lead to false reasonings. Therefore, we have two general problems. The first is called knowledge graph completion, from using facts mining to using machine learning techniques. The second problem, which this thesis is based on, is called reasoning on incomplete knowledge graphs. As all other problems in AI, this started with clever "handwritten" rules, but grew to use data driven approaches. Later techniques such as embeddings where used for both problems. It all started with the problem of link prediction, in which simple embedding techniques like Transe where used. Later embedding techniques became the norm in the field. Aim of this work is to follow and apply a series of ideas expressed in various modern works, such as Query2box. In this thesis neural networks for graphs (GNN) will be used to embed both queries and entities so as to reason in incomplete graphs. First the data collection techniques used will be mentioned. Later, various architectures inspired by recent works will be presented and their training will be analyzed. In the end, the models will be compared to state of the art methods using metrics described in the literature.	en
heal.advisorName	Στάμου, Γιώργος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	84 σ.	el
heal.fullTextAvailability	false