| Project/Area Number |
22K18008
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 62020:Web informatics and service informatics-related
|
|---|
| Research Institution | National Institute of Advanced Industrial Science and Technology |
|---|
Principal Investigator |
江上 周作 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 研究員 (20846000)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2023: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | 知識グラフ / メタデータ表現モデル / グラフ表現学習 / イベント中心知識グラフ / セマンティックWeb / ナレッジグラフ / オントロジー / RDF-star / イベント知識グラフ / リンク予測 / 時空間情報 / 推論 / グラフ埋め込み |
|---|
| Outline of Research at the Start |
世の中に生起する事象（イベント）を，時間，空間，行為，主体，性質などの，様々な情報と関連付けたナレッジグラフ（KG）として構造化することで，任意の項目をキーとした集約，文脈や来歴の取得，状況認識など，様々な応用が可能になる．これまでに,イベント情報を表現するオントロジーやデータモデルが提案されている．しかし，検索や論理推論の速度，利便性，機械学習応用時の精度等の議論は不足しており，実用的なKGの構造（スキーマ）の最適戦略は明らかになっていない．本研究では，このような実用面の観点から，イベント情報のKGに適用可能な様々なスキーマパターンの特性差を明らかにする.
|
| Outline of Annual Research Achievements |
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Singleton Property(SP)，トリプルのトリプルを作成するRDF-starなど，異なるメタデータ表現モデル(MRM)が存在する．本研究では，これらのMRM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．初年度は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MRMを適用したデータセットを作成し，各データセットに埋め込みモデル（TransE）を適用することでリンク予測タスクの評価を行った．その結果，リンク予測ではRDF-starとSPが優れていることが明らかとなった．実験と考察の過程で，全てのMRMの意味表現を公平に学習できる埋め込みモデルが存在しないことが判明した．そこで，今年度は様々なMRMに適応可能な新たな埋め込みモデルの開発を中心に研究を進めた．具体的には，これまで困難であったRDF-starの持つ引用符トリプル（QT）とその多層ネスト構造の埋め込みが可能な世界初のモデルを開発し，ノードの分類，クラスタリング等のタスクで既存手法を上回る性能を達成した．さらに後続の研究のためのベンチマーク環境を構築した．これにより，「トリプルのトリプルのトリプル」のような複雑なKGの意味表現を学習したデータマイニングが可能になり，さらに今後我々のモデルをベースラインとした新たなモデルの開発が期待できる．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
機械学習応用の観点での評価実験において，当初予期していなかった埋め込みモデル側の課題が明らかになったが，これを解決する新たな埋込モデルとベンチマーキングデータセットの開発に成功したため，概ね当初の計画通りに進展している．
|
| Strategy for Future Research Activity |
提案したナレッジグラフ埋め込みモデルを用いた広範な実験を行い、各メタデータ表現モデルの特性を分析する。また、類似のモデルや評価実験の研究が発表された場合にはそれらを再利用した拡張や比較実験を検討する。
|
