3.3 Results on quadruplesWhile usua

3.3 Results on quadruples
While usual evaluations for link prediction in KBs
focus on predicting a missing element of a test
triple, we propose here to extend the evaluation
to answering more complex questions, such as
(h, {`1, `2}, ?) or (?, {`1, `2}, t).
Examples Table 3 presents examples of predictions
of both TRANSE and our model RTRANSE
on such quadruples. The two first examples try
to predict the origin of two TV series from the nationality
of the actors that regularly appear in them
(regular tv appearance). In the first one, the american
actor phil lamarr is the only entity connected
to the american TV show madtv through the relationship
regular tv appearance. RTRANSE is able
to correctly infer the country of origin from this
information since it forces country of origin ≈
regular tv appearance + nationality. On the other
side TRANSE is affected by the cascading error
since the ranking loss does not guarantee that the
distance between h + l1 and phil lamarr is small,
so when summing l2 it eventually ends up closer
to Ireland rather than USA. In contrast, the second example shows that answering that question by using
that path is sometimes difficult: the members
of the cast of that TV show have different nationalities,
so RTRANSE lists the nationalities of these
ones and the correct one is ranked third. TRANSE
is again more affected than RTRANSE by the cascading
error. In the third one, RTRANSE deducts
the main region where malay is spoken from the
continent of the country with the most number of
speakers of that language. In the last two examples,
our model infers the location of those universities
by forcing an equivalence between their
location and the location of their respective campus.

Kết quả (Việt) 1:

3.3 kết quả trên quadruplesTrong khi các đánh giá thông thường đối với dự báo liên kết ở KBstập trung vào dự đoán một yếu tố của một thử nghiệmba, chúng tôi đề xuất ở đây để mở rộng đánh giáđể trả lời câu hỏi phức tạp hơn, chẳng hạn như(h, {`1, `2}, ?) hoặc (?, {'1, ' 2}, t).Ví dụ bàn 3 trình bày các ví dụ của dự đoáncả hai TRANSE và mô hình của chúng tôi RTRANSEtrên các quadruples. Hai ví dụ đầu tiên thửđể dự đoán nguồn gốc của hai loạt phim truyền hình từ các quốc tịchcủa các diễn viên thường xuyên xuất hiện trong đó(thường xuyên xuất hiện trên tv). Trong những người đầu tiên, người Mỹdiễn viên phil lamarr là các thực thể duy nhất kết nốiđể truyền hình Mỹ Hiển thị madtv thông qua mối quan hệthường xuyên xuất hiện trên tv. RTRANSE có thểđể suy ra một cách chính xác nước xuất xứ từ đâythông tin vì nó buộc các quốc gia của nguồn gốc ≈thường xuyên xuất hiện trên tv + quốc tịch. Mặt khácbên TRANSE bị ảnh hưởng bởi lỗi tầngvì sự mất mát thứ hạng không đảm bảo rằng cáckhoảng cách giữa h + l1 và phil lamarr là nhỏ,Vì vậy, khi tổng l2 nó cuối cùng kết thúc lên gần gũi hơnIreland chứ không phải Hoa Kỳ. Ngược lại, ví dụ thứ hai cho thấy đó trả lời câu hỏi đó bằng cách sử dụngcon đường đó là đôi khi khó khăn: Các thành viênCác diễn viên của chương trình truyền hình đó có quốc tịch khác nhau,Vì vậy RTRANSE danh sách các quốc gia nàynhững người và đúng được xếp hạng thứ ba. TRANSElà một lần nữa bị ảnh hưởng nhiều hơn RTRANSE bởi các tầnglỗi. Trong một phần ba, RTRANSE sai trừkhu vực chính nơi Mã lai được sử dụng từ cácCác lục địa của đất nước với số lượng nhất củaloa của ngôn ngữ đó. Trong ví dụ cuối hai,Mô hình của chúng tôi infers với vị trí của các trường đại họcbằng cách buộc một tương đương giữa của họvị trí và vị trí của khuôn viên trường tương ứng.

Kết quả (Việt) 2:

3.3 Kết quả về gấp bốn lần
khi đánh giá thông thường để dự đoán liên kết trong KBs
tập trung vào việc dự đoán một yếu tố còn thiếu của một thử nghiệm
ba, chúng tôi đề xuất ở đây để mở rộng việc đánh giá
việc trả lời các câu hỏi phức tạp hơn, chẳng hạn như
(h, {`1,` 2},? ) hoặc (?, {`1,` 2}, t).
Ví dụ Bảng 3 trình bày các ví dụ về những dự đoán
của cả hai Transe và mô hình RTRANSE của chúng tôi
trên như tăng gấp bốn. Hai ví dụ đầu tiên cố gắng
để dự đoán về nguồn gốc của hai bộ phim truyền hình từ quốc tịch
của các diễn viên thường xuyên xuất hiện trong họ
(xuất hiện tv thường xuyên). Trong giai đoạn đầu, các mỹ
nam diễn viên phil Lamarr là đơn vị duy nhất kết nối
đến các chương trình truyền hình American madtv thông qua mối quan hệ
thường xuyên xuất hiện tv. RTRANSE có thể
suy ra một cách chính xác nguồn gốc xuất xứ từ này
thông tin vì nó buộc nước xuất xứ ≈
thường xuyên xuất hiện tv + quốc tịch. Mặt khác
bên Transe bị ảnh hưởng bởi lỗi tầng
sau khi bị mất thứ hạng không đảm bảo rằng
khoảng cách giữa h + l1 và phil Lamarr là nhỏ,
do đó, khi tổng hợp l2 nó cuối cùng đã kết thúc gần hơn
tới Ireland hơn là Mỹ. Ngược lại, ví dụ thứ hai cho thấy rằng việc trả lời câu hỏi đó bằng cách sử dụng
con đường đó là đôi khi khó khăn: các thành viên
của các diễn viên của chương trình truyền hình mà có quốc tịch khác nhau,
vì vậy RTRANSE liệt kê các quốc tịch của những
người thân và một chính xác được xếp thứ ba. Transe
là thêm một lần nữa bị ảnh hưởng hơn bởi các tầng RTRANSE
lỗi. Trong một phần ba, RTRANSE khấu trừ
các khu vực chính, nơi malay được đọc từ các
lục địa của đất nước với số lượng nhất của
những người nói các ngôn ngữ đó. Trong hai ví dụ cuối cùng,
mô hình của chúng tôi suy ra vị trí của những trường đại học
bằng cách buộc một sự tương đương giữa họ
vị trí và vị trí của trường tương ứng của họ.