Temporal Knowledge Graph Completetion

In the progress…

Ngoại suy tri thức (Knowledge Extrapolation) cho đồ thị tri thức (Knowledge Graphs)

Động lực nghiên cứu Trong nhiều ứng dụng thực tế như các cơ sở dữ liệu đồ thị (graph database systems), hệ thống gợi ý (recommendation systems), hay hệ thống trả lời câu hỏi (question answering sytems), đồ thị tri thức (knowledge graphs - KG) đóng vai trò là nguồn tri thức giá trị. Có nhiều hướng tiếp cận cho các phương pháp khai thác loại cơ sở tri thức này, và trong đó hướng tiếp cận nhúng đồ thị tri thức (knowledge graph embedding - KGE) là một trong những hướng tiếp cận khả thi và hiệu quả cho nhiều tác vụ downstream như dự đoán liên kết (link prediction/ missing fact completion), hiệu chỉnh thực thể (entity alignment).

Đồ thị tri thức thực sự là gì? - What're actually knowledge graphs?

Trong lĩnh vực nghiên cứu đặc trưng tri thức (knowledge representation) và suy diễn (reasoning), tích hợp/ tổng hợp dữ liệu là một tác vụ quan trọng, và nó thường được thực hiện bằng cách sử dụng các cơ sở tri thức (knowledge bases). Có nhiều loại cơ sở tri thức, trong đó có đồ thị tri thức (knowledge graphs). Đồ thị tri thức được tạo ra bằng cách sử dụng một mô hình tri thức (knowledge model), đó là một mô hình dữ liệu cấu trúc hóa dạng đồ thị (graph-structured data model) hay còn được gọi là ontology.

List of Selected Papers on Algorithms for Large-Scale Graph Processing.

1/ [ISAAC'11] Goodrich, M. T., Sitchinava, N., & Zhang, Q. (2011, December). Sorting, searching, and simulation in the mapreduce framework. In International Symposium on Algorithms and Computation (pp. 374-383). Springer, Berlin, Heidelberg. @inproceedings{goodrich2011sorting, title={Sorting, searching, and simulation in the mapreduce framework}, author={Goodrich, Michael T and Sitchinava, Nodari and Zhang, Qin}, booktitle={International Symposium on Algorithms and Computation}, pages={374--383}, year={2011}, organization={Springer} } 2/ [STOC'14] Andoni, A., Nikolov, A., Onak, K., & Yaroslavtsev, G.

Reading list on Graph Learning - Explainable artificial intelligence (xAI).

XAI-Graph 2023 [1] Azzolin, S., Longa, A., Barbiero, P., Liò, P., & Passerini, A. (2022). Global explainability of gnns via logic combination of learned concepts. arXiv preprint arXiv:2210.07147. [2] Miao, S., Luo, Y., Liu, M., & Li, P. (2022). Interpretable Geometric Deep Learning via Learnable Randomness Injection. arXiv preprint arXiv:2210.16966. [3] Liu, Y., Zhang, X., & Xie, S. (2023, February). A Differential Geometric View and Explainability of GNN on Evolving Graphs.