Mengenrepräsentationen für Vektoreinbettungen relationaler Information

• Antragsteller: Professor Dr. Benjamin Roth
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeine und Vergleichende Sprachwissenschaft, Experimentelle Linguistik, Typologie, Außereuropäische Sprachen
• Förderung: Förderung von 2018 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 406696030

Eines der größten Hindernisse auf dem Weg zu künstlicher Intelligenz ist fehlende maschinenlesbare Information über die Welt. Eine mögliche Repräsentation solcher Information sind Wissensgraphen, die Entitäten (Personen, Orte, Organisationen, etc.) als Knoten und Relationen als Kanten enthalten.Die automatische Erstellung von Wissensgraphen aus Text (z.B. aus Wikipedia oder Zeitungstexten) ist ein wesentlicher Baustein zur Lösung dieses Problems. Die Strukturierung von Information aus Texten erlaubt Computern die Weiterverarbeitung und sie erlaubt Menschen ein leichteres Auffinden relevanter Information.Traditionelle Methoden der Relationsextraktion klassifizieren Fakten einzeln. Dies führt führt zu Problemen, wenn Mengen von Tupeln (Entitätenpaaren einer Relation) betrachtet werden sollen, weil traditionelle Verfahren keine Modellierung für Mengen für Entitäten bereitstellen. Da die traditionellen Schätzverfahren versuchen, ihren Fehler auf Einzelinstanzen zu minimieren, ist ihr Nutzen für Tupelmengen stark eingeschränkt.Vektoreinbettungen von Wissensgraphen modellieren Wissengraphen mit Vektorrepräsentationen, aus denen der ursprüngliche Graph mit kleinem Fehler rekonstriuert werden kann. Traditionelle Verfahren zur Vektoreinbettung modellieren Fakten wiederum nur einzeln, und nicht als Mengen von Entitäten oder Fakten. Das hier vorgestellte Forschungsprojekt hat zum Ziel, relationale Information so zu repräsentieren, dass Mengen von Entitäten zentraler Bestandteil eines Vektormodells für Wissensgraphen sind. Dazu sollen sie als Regionen im Vektorraum dargestellt werden. Das Modell soll außerdem relationale Transformationen lernen, die direkt auf den Regionen operieren können, die relationale Information kann außer aus Wissensgraphen auch aus Text extrahiert werden.Ein solcher Ansatz wird zu mehreren Problemen elegante Lösungen beitragen, und dabei helfen (1) Unsicherheit und (2) Mengen an Entitäten adäquat zu repräsentieren, (3) die Intension von Konzepten zu Repräsentieren (anstatt ihrer Extension) und (4) in unvollständigen Wissensgraphen Inferenzen zu ziehen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Österreich, USA
• Kooperationspartner: Professor Dr. Philipp Cimiano; Professor Dr. Andrew McCallum; Professor Dr. Hinrich Schütze