การฝังเอนทิตี

Entity Embeddings เป็นเทคนิคการเรียนรู้เชิงลึกแบบไม่มีผู้ดูแลซึ่งพัฒนาโดยนักวิจัยของ Google Brain เพื่อใช้แทนโครงสร้างในข้อมูลที่ไม่มีโครงสร้าง เป็นส่วนขยายของเทคนิคการเรียนรู้เชิงลึกที่เรียกว่าการฝังคำ ในขณะที่การฝังคำจะแมปคำกับเวกเตอร์หลายมิติ เอนทิตีจะฝังแมปเอนทิตี เช่น เอนทิตีในกราฟความรู้ ไปยังเวกเตอร์หลายมิติ สเปซเวกเตอร์นี้สามารถใช้เพื่อแสดงความสัมพันธ์ระหว่างเอนทิตีหรือกราฟความรู้ทั้งหมดในพื้นที่เวกเตอร์เดียว

เทคนิคการฝังเอนทิตีถูกนำมาใช้ครั้งแรกในรายงานปี 2013 โดยนักวิจัย Tomas Mikolov และเพื่อนร่วมงานที่ Google Brain ในบทความนี้ ผู้เขียนได้เสนอวิธีการเรียนรู้แบบกระจายการเป็นตัวแทนของเอนทิตีในกราฟความรู้ที่สามารถใช้เพื่อการให้เหตุผลและการอนุมานโดยไม่จำเป็นต้องได้รับการฝึกอบรมแบบมีผู้สอน ตั้งแต่นั้นมาเทคนิคดังกล่าวก็ถูกนำมาใช้กันอย่างแพร่หลาย โดยมีการประยุกต์ใช้ในการค้นหาแบบปรับแต่ง การประมวลผลภาษาธรรมชาติ และสาขาอื่นๆ ที่หลากหลาย

หัวใจสำคัญของเทคนิค Entity Embeddings คือโครงข่ายประสาทเทียม เครือข่ายรับอินพุตชุดของเอนทิตีและความสัมพันธ์ของเอนทิตี จากนั้นจึงแสดงกราฟความรู้แบบกระจาย ความสัมพันธ์จะแสดงเป็นขอบถ่วงน้ำหนักระหว่างเอนทิตี ขอบเหล่านี้จะใช้ในการคำนวณคะแนนสำหรับแต่ละเอนทิตีโดยใช้สมการต่อไปนี้: Score = (Weight*Entity_Vector 1) + (Weight*Entity_Vector 2) + … + (Weight*Entity_Vector N) คะแนนนี้ใช้เพื่อแสดงถึงความคล้ายคลึงกันระหว่างเอนทิตีและความเข้มแข็งของความสัมพันธ์

ข้อดีของการใช้การฝังเอนทิตีคือช่วยให้แสดงกราฟความรู้ได้แม่นยำและสมบูรณ์ยิ่งขึ้นมากกว่าวิธีการอื่นๆ เช่น การเรียนรู้ของเครื่องภายใต้การดูแล ด้วยการเรียนรู้การแสดงข้อมูลที่มีประสิทธิภาพโดยไม่จำเป็นต้องใส่คำอธิบายประกอบด้วยตนเอง การฝังเอนทิตีสามารถใช้เพื่อจับรูปแบบและการเชื่อมโยงในข้อมูลที่ซับซ้อนได้แม่นยำยิ่งขึ้น

เทคนิคนี้ได้รับความนิยมเพิ่มมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา โดยมีบริษัทชั้นนำหลายแห่ง เช่น Google, Microsoft และ Facebook ใช้เทคโนโลยีนี้กับแอปพลิเคชันต่างๆ เมื่อเทคโนโลยีเติบโตขึ้น แอปพลิเคชันและกรณีการใช้งานสำหรับการฝังเอนทิตีก็จะเกิดขึ้นมากขึ้น และเทคนิคนี้ก็จะถูกนำมาใช้กันอย่างแพร่หลายมากขึ้น