Некоторые методы машинного обучения, которые применяются для создания графов знаний:

• Методы встраивания графа знаний. 12 Их цель — создать плотное представление графа в непрерывном низкоразмерном векторном пространстве, которое затем может быть использовано для задач машинного обучения. 1 К таким методам относятся трансляционные модели, модели тензорной декомпозиции, нейронные модели и лексические модели. 1
• Графовые нейронные сети (GNN). 1 Модель строится на основе топологии графа данных, то есть узлы связаны со своими соседями в графе. 1 GNN поддерживают сквозное контролируемое обучение для конкретных задач: учитывая набор помеченных примеров, их можно использовать для классификации элементов графа или самого графа. 1
• Модели глубокого обучения. 2 Эта группа моделей использует глубокую нейронную сеть для изучения шаблонов из графика знаний, которые являются входными данными. 2
• Сверточные нейронные сети. 2 Это семейство моделей использует один или несколько свёрточных слоёв, которые свёртывают входные данные, применяя низкоразмерный фильтр, способный встраивать сложные структуры с небольшим количеством параметров путём изучения нелинейных характеристик. 2

Также для анализа временных графов знаний применяется метод LLM-DA, который использует большие языковые модели для извлечения временных логических правил из исторических данных и их динамической адаптации для интеграции последних событий. 5