White Rabbit: απόδραση από την κουνελότρυπα των γνωσιακών γράφων χρησιμοποιώντας ενσωματώσεις

Απλή σελίδα τεκμηρίου
dc.contributor.advisorΠαπαδάκης, Νικόλαοςel
dc.contributor.advisorPapadakis, Nikolaosen
dc.contributor.authorΑντιβάσης, Παναγιώτηςel
dc.contributor.authorAntivasis, Panagiotisen
dc.date.accessioned2025-11-06T09:49:58Z
dc.date.available2025-11-06T09:49:58Z
dc.date.issued2025-11-06
dc.description.abstractΗ εξάπλωση των Knowledge Graphs (KGs) τα τελευταία χρόνια έχει οδηγήσει στη δημιουργία τεράστιων συνόλων δεδομένων που είναι πλέον διαθέσιμα στο διαδίκτυο. Η εξερεύνηση αυτών των γραφημάτων για τον εντοπισμό ουσιαστικών συνδέσεων μεταξύ οντοτήτων αποτελεί μια πολύτιμη, αλλά και απαιτητική διαδικασία. Αυτό οφείλεται κυρίως στο μεγάλο μέγεθος, την πολυπλοκότητα, καθώς και τις περιορισμένες διεπαφές (όπως τα SPARQL endpoints) που προσφέρουν για διαδικτυακή εξερεύνηση. Η προτεινόμενη εργασία εστιάζει στην ανακάλυψη υψηλής ποιότητας διαδρομών μεταξύ δύο οντοτήτων σε online KGs, αξιοποιώντας embeddings (ενσωματώσεις). Αρχικά, θα παρουσιαστεί το πρόβλημα της αναζήτησης διαδρομών με επίγνωση του συμφραζομένου (context-aware path finding), το οποίο οδηγεί σε συνεκτικές διαδρομές που περιλαμβάνουν ιδιαίτερα σχετικές οντότητες. Στη συνέχεια, η προσοχή θα στραφεί στη μέθοδο White Rabbit, μια προσέγγιση που περιλαμβάνει την αξιολόγηση των γειτονικών οντοτήτων μέσω embeddings (ενσωματώσεων), την προτεραιοποίηση της εξερεύνησης με μηχανισμό ουράς, και τη σταδιακή βελτίωση της διαδικασίας αναζήτησης. Η προσέγγιση αυτή θα συγκριθεί με βασικές μεθόδους, όπως δομικές τεχνικές, διάφορες προκαταρτισμένες μεθόδους embeddings (pretrained embedding methods), καθώς και ένα μοντέλο μεγάλων γλωσσών (large language model oracle), αναδεικνύοντας τα πλεονεκτήματα της προτεινόμενης μεθόδου τόσο ως προς την αποδοτικότητα της διαδικασίας όσο και ως προς την ποιότητα των διαδρομών που ανακτώνται.el
dc.description.abstractThe proliferation of Knowledge Graphs (KGs) in recent years has resulted in the generation of massive datasets now available online. Exploring these graphs to identify meaningful connections between entities is a valuable, yet challenging task. This is mainly due to the large size, the complexity, and the limited interfaces (i.e., SPARQL endpoints) they offer for their online exploration. The proposed paper will be focused on discovering high-quality paths between two entities in online KGs, using embeddings. First, the problem of contextaware path finding will be introduced, which results into coherent paths including highly relevant entities. Then, focus will be directed on the White Rabbit, an approach that involves scoring entity neighbors using embeddings, prioritizing exploration through a queue-based mechanism, and iteratively refining the search process. This approach will be compared with baselines including structural methods, various pretrained embedding methods, and a large language model oracle, showing the benefits of our approach in optimizing both the efficiency of the task and the quality of the retrieved pathsen
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11482
dc.language.isoel
dc.publisherΕΛΜΕΠΑ, Πολυτεχνική Σχολή, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectΓράφοι γνώσης
dc.subjectΕξερεύνηση γράφου
dc.subjectKnowledge graphs
dc.subjectGraph exploration
dc.titleWhite Rabbit: απόδραση από την κουνελότρυπα των γνωσιακών γράφων χρησιμοποιώντας ενσωματώσειςel
dc.titleWhite Rabbit: escaping the online KG rabbit hole using embeddingsen
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
AntivasisPanagiotis2025.pdf
Μέγεθος:
866.54 KB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Πτυχιακές εργασίες / Bachelor Theses