ДЕКОМПОЗИЦІЯ ОНТОЛОГІЙ ТА ГРАФІВ ЗНАНЬ ЧЕРЕЗ ВІДНОШЕННЯ НУЛЬОВОГО ПОРЯДКУ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.067Ключові слова:
Граф знань, онтологія, реіфікація, декомпозиція логічних висловлювань, представлення знань, нейронні мережіАнотація
Графи знань та онтології оперують структурно гетерогенними висловлюваннями – бінарними триплетами, n-арними реіфікованими відношеннями, вкладеними фактами – що ускладнює їх обробку нейромережевими моделями. У роботі запропоновано декомпозицію довільного онтологічного висловлювання до єдиного примітиву – анонімного спрямованого зв'язку нульового порядку (). Предикат переноситься з ребра у вузол, і граф стає однорідним: усі елементи є вузлами, з'єднаними єдиним типом ребра. Декомпозиція спирається на два принципи: ролеву нейтральність концептів, за якою розрізнення «концепт» і «відношення» є контекстуальним, та рекурсивний порядок висловлювання, що формалізує структурну складність. Показано, що r₀-декомпозиція виконує для графів знань роль, аналогічну токенізації для текстів: перетворює гетерогенну структуру на однорідну, придатну для нейромережевої обробки.
Посилання
Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., Melo, G. D., Gutierrez, C., ... & Zimmermann, A. (2021). Knowledge graphs. ACM Computing Surveys, 54(4), 1–37. DOI: 10.1145/3447772
Hernández, D., Hogan, A., & Krötzsch, M. (2015). Reifying RDF: What works well with Wikidata? Proceedings of the 11th International Workshop on Scalable Semantic Web Knowledge Base Systems (SSWS), 32–47. URL: https://ceur-ws.org/Vol-1457/SSWS2015_paper3.pdf
Hartig, O. (2017). Foundations of RDF* and SPARQL* — An alternative approach to statement-level metadata in RDF. Proceedings of the 11th Alberto Mendelzon International Workshop on Foundations of Data Management (AMW), vol. 1912. URL: https://ceur-ws.org/Vol-1912/paper12.pdf
Galkin, M., Trivedi, P., Maheshwari, G., Usbeck, R., & Lehmann, J. (2020). Message passing for hyper-relational knowledge graphs. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 7346–7359. DOI: 10.18653/v1/2020.emnlp-main.596
Guan, S., Jin, X., Wang, Y., & Cheng, X. (2019). Link prediction on n-ary relational data. Proceedings of the World Wide Web Conference (WWW), 583–593. DOI: 10.1145/3308558.3313414
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS), 30. URL: https://papers.nips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html
Rosso, P., Yang, D., & Cudré-Mauroux, P. (2020). Beyond triplets: Hyper-relational knowledge graph embedding for link prediction. Proceedings of The Web Conference (WWW), 1885–1896. DOI: 10.1145/3366423.3380257
