கை லியு, விக்னேஷ் பிரபாகர், சாவ் வு, ஜெனிபர் க்ராஃபோர்ட் மற்றும் ஜோசப் வெயிட்
பெரிய அளவிலான அறிவு வரைபட தரவுத்தொகுப்புகளில் நிறுவனங்கள் (முனைகள்) மற்றும் உறவுகளை (விளிம்புகள்) பிரதிநிதித்துவப்படுத்த அறிவு வரைபட உட்பொதிவுகளை (KGEs) உருவாக்குவது பிரதிநிதித்துவக் கற்றலில் ஒரு சவாலான சிக்கலாக உள்ளது. இது முதன்மையாக ஏனெனில் ஒரு பெரிய பன்முக வரைபடத்தில் தரவின் முழு நோக்கத்தையும் குறியாக்கம் செய்யத் தேவைப்படும் உட்பொதிப்புகள்/வெக்டார் பிரதிநிதித்துவங்கள் உயர் பரிமாணத்தைக் கொண்டிருக்க வேண்டும். அதிக எண்ணிக்கையிலான திசையன்களின் நோக்குநிலைக்கு அதிக இடம் தேவைப்படுகிறது, இது உட்பொதிவுகளை அதிக பரிமாணங்களுக்கு முன்வைப்பதன் மூலம் அடையப்படுகிறது. இது ஒரு அளவிடக்கூடிய தீர்வு அல்ல, குறிப்பாக அதிக தரவுகளை இணைத்துக்கொள்வதற்காக அறிவு வரைபடம் அளவு அதிகரிக்கும் என எதிர்பார்க்கிறோம். உட்பொதிப்புகளை குறைந்த எண்ணிக்கையிலான பரிமாணங்களுக்குக் கட்டுப்படுத்துவதற்கான எந்தவொரு முயற்சியும் சிக்கலாக இருக்கலாம். அறிவு வரைபடத்தில் இரண்டு அல்லது அதற்கு மேற்பட்ட நிறுவனங்களுக்கு இடையே இணைப்பு இருப்பதற்கான சாத்தியக்கூறுகளை கணிக்கவும். இது குறிப்பாக பெரிய உயிரியல் மருத்துவ அறிவு வரைபடங்களுடன் தொடர்புடையது, இது மரபணுக்கள், நோய்கள், சிக்னலிங் பாதைகள், உயிரியல் செயல்பாடுகள் போன்ற பல வேறுபட்ட நிறுவனங்களுடன் தொடர்புடையது பயோமெடிக்கல் அறிவு வரைபடங்களின் அளவுகள் வழக்கமான அளவுகோல் அறிவு வரைபட தரவுத்தொகுப்புகளுடன் ஒப்பிடும்போது மிகவும் பெரியவை. வரைபடத்தின் மறைந்த சொற்பொருள் அமைப்பைப் பிரதிநிதித்துவப்படுத்த நல்ல தரத்தின் உட்பொதிப்புகள்/வெக்டார் பிரதிநிதித்துவங்களை உருவாக்குவதில் இது பெரும் சவாலாக உள்ளது. உட்பொதிப்புகளின் பரிமாணத்தை அதிகரிப்பதன் மூலம் இந்தச் சவாலைத் தவிர்ப்பதற்கான முயற்சிகள் பெரும்பாலும் வன்பொருள் வரம்புகளை வழங்குகின்றன, ஏனெனில் உயர் பரிமாண உட்பொதிப்பை உருவாக்குவது கணக்கீட்டு ரீதியாக விலை உயர்ந்தது மற்றும் பெரும்பாலும் சாத்தியமற்றது. இத்தகைய பெரிய அளவிலான அறிவு வரைபடங்களின் (KGs) உள்ளுறை கட்டமைப்பைப் பிரதிநிதித்துவப்படுத்துவதை நடைமுறையில் கையாள்வதற்கு, எங்கள் பணி ஒரு குழும கற்றல் மாதிரியை முன்மொழிகிறது, அதில் முழு அறிவு வரைபடமும் பல சிறிய துணை வரைவுகளாக மாதிரியாக இருக்கும் மற்றும் KGE மாதிரிகள் ஒவ்வொரு துணை வரைபடத்திற்கும் உட்பொதிப்பை உருவாக்குகின்றன. ஒவ்வொரு துணை வரைபடத்திலும் பயிற்சியளிக்கப்பட்ட KGE மாதிரிகளின் இணைப்புக் கணிப்பு முடிவுகள் பின்னர் முழு அறிவு வரைபடத்தில் ஒருங்கிணைக்கப்பட்ட இணைப்பு கணிப்புகளை உருவாக்க ஒருங்கிணைக்கப்படுகின்றன. சோதனை முடிவுகள் பணி சார்ந்த இணைப்பு கணிப்புகள் மற்றும் நான்கு திறந்த மூல உயிரியல் மருத்துவ அறிவு வரைபட தரவுத்தொகுப்புகளில் பொதுவான இணைப்பு கணிப்புகளில் தரவரிசை அடிப்படையிலான மதிப்பீட்டு அளவீடுகளில் குறிப்பிடத்தக்க முன்னேற்றத்தை நிரூபித்துள்ளன.