亚马逊研究人员开发了可改善知识图性能的AI

 
在一项新研究中，亚马逊的研究人员描述了一种技术，该技术可将有关知识图的信息纳入考虑因素以执行实体对齐，这需要确定不同图的哪些元素引用相同的“实体”(从产品到歌曲名称可能是任何东西)。这个想法是在提高计算效率的同时，提高性能，加快图形相关的任务，例如在亚马逊上进行产品搜索和通过Alexa回答问题。
这项工作已被2020年Web Conference接受，也可能使亚马逊以外的图表受益，例如支撑Facebook和Twitter等社交网络的图表，以及企业用来组织各种数字目录的图表。
正如亚马逊产品图应用科学家郝伟在博客文章中所解释的那样，知识图(由节点和边组成的数学对象)的优势在于，它们比常规数据库更容易捕获复杂的关系。 (例如，在电影数据集中，一个节点可能代表演员，导演，电影或电影类型，而节点的边缘则代表谁在哪个角色中扮演了什么角色，谁导演了什么等等)。经常扩展图涉及将其与另一个知识图集成，但是不同的图可能对同一实体使用不同的术语，这可能会导致错误。
亚马逊知识图
亚马逊提出的系统是图神经网络，其中节点被转换为固定长度的矢量表示形式，该表示形式捕获有关对实体对齐有用的属性的信息。网络会考虑中心节点及其附近的节点，并为每个节点生成一个新的嵌入，该嵌入由该节点的第一个嵌入及其直接邻居的嵌入之和组成。此外，网络会为中央节点生成一个新的嵌入，该嵌入包含该节点的嵌入及其直接邻居的次要嵌入的总和。
为了提高网络的性能，研究人员实施了跨图注意机制，该机制基于与另一张图的比较对总和进行加权，从而强调了图之间的对应关系，而不再强调差异。为了防止网络夸大相似性，该团队采用了一种自我关注机制，该机制可以了解实体的哪些属性对于将其与看起来相似的实体区分开来最为重要。
研究人员报告说，在涉及整合两个亚马逊电影数据库的测试中，在精确召回曲线下的面积(PRAUC)下，该系统将10个基准系统的最佳性能提高了10%，该指标可评估交易在真阳性率和真阴性率之间偏离。此外，与称为DeepMatcher的基准系统(专门针对可扩展性设计)相比，亚马逊系统减少了95%的培训时间。