Краткое содержание

arXiv:2511.13044v1 Тип объявления: новый Аннотация: Традиционные методы машинного обучения (МО) требуют для эффективной работы больших объемов данных, что ограничивает их применимость в сценариях с разреженными или неполными данными и вынуждает использовать дополнительно синтетические данные для улучшения обучения моделей. Чтобы преодолеть эту проблему, научное сообщество все чаще обращает внимание на графовое машинное обучение (ГМО), которое предлагает мощную альтернативу за счет использования взаимосвязей в данных. Однако этот метод также сталкивается с ограничениями, особенно при работе с графами знаний (ГЗ), которые в силу своей семантической природы могут скрывать огромные объемы информации. Данное исследование представляет Bi-View — новый гибридный подход, который увеличивает информационную насыщенность признаков узлов в ГЗ для создания улучшенных графовых эмбеддингов (ГЭ), используемых для повышения эффективности моделей ГМО без привлечения дополнительных синтетических данных. Предлагаемая работа объединяет две взаимодополняющие техники построения ГЭ: Node2Vec, который захватывает структурные шаблоны с помощью неконтролируемых случайных блужданий,