인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김한준
- 발행연도
- 2021
- 저작권
- 서울시립대학교 논문은 저작권에 의해 보호받습니다.
이용수14
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
그래프 표현 학습의 노드 임베딩 기법은 그래프 마이닝에서 양질의 결과를 얻는 데 중요한 역할을 한다. 지금까지 대표적인 노드 임베딩 기법은 동종 그래프를 대상으로 연구되었고, 그에 따라 지식 그래프와 같은 이종 그래프를 학습하는 데 어려움이 있었다. 이러한 문제를 해결하고자, Triple2Vec 기법은 지식 그래프의 노드 쌍과 간선을 하나의 노드로 갖는 트리플 그래프를 생성하여 임베딩 모델을 구축한다. 하지만 생성한 트리플 그래프는 지식 그래프의 특징을 충분히 반영하지 못하고 결국 임베딩 모델의 성능 한계를 초래한다. 이에 본 논문은 Triple2Vec 임베딩 모델을 개선하기 위한 그래프 합성곱 신경망 기반의 특징 추출 기법을 제안한다. 제안 기법은 트리플 노드의 인접성 벡터(Neighborliness Vector)를 추출하여 지식 그래프의 구조와 의미 정보를 효과적으로 담아낸다. 본 논문은 DBLP, DBpedia, Foursquare, IMDB 데이터셋을 활용한 카테고리 분류 실험을 통해 제안 기법을 적용한 임베딩 모델이 기존의 Triple2Vec 모델보다 우수함을 입증한다. 또한, 동시에 본 논문은 개선한 임베딩 모델이 임베딩 공간의 구축 시간 측면에서 높은 효율성을 갖춤을 증명한다.
목차
- 제 1 장 서 론 11.1 절 연구의 배경 및 내용 11.2 절 논문의 구성 3제 2 장 관련 연구 42.1 절 Triple2Vec 42.1.1 트리플 지식 그래프 42.1.2 Triple2Vec의 학습 방법 62.1.3 Triple2Vec의 한계점 72.2 절 GCN 9제 3 장 제안 기법 103.1 절 트리플 그래프의 인접성 벡터 103.2 절 인접성 벡터 추출 과정 123.3 절 인접성 벡터 기반의 Weighted Triple2Vec 16제 4 장 실험 방법 및 결과 174.1 절 실험 환경 174.1.1 실험 데이터 174.1.2 파라미터 설정 204.2 절 실험 방법 214.3 절 성능 평가 224.3.1 분류 모델의 정확도 및 F1-스코어 224.3.2 트리플 그래프의 임베딩 모델 구축 시간 25제 5 장 결 론 32참 고 문 헌 33Abstract 36감사의 글 37
최근 본 자료
