
전체 연구 흐름도 (큰 이미지) 프롬프트: 제목: 하이퍼그래프 및 이중 경로 기반 시변 지식 그래프에서 링크 예측을 위한 전체 프레임워크 목표: 데이터 입력부터 예측 출력까지 전체 연구 과정을 시각화하고, 이중 경로 협업 및 대조 학습 메커니즘을 강조합니다. 핵심 요소 및 프로세스: 1. 입력 계층: • 상자 요소: "시변 지식 그래프 데이터 (예: ICEWS14, GDELT)" 레이블, 엔터티, 관계 및 타임스탬프 트리플 포함. • "데이터 전처리 모듈"을 가리키는 화살표, 형식 표준화 표시. 2. 의미론적 초기화 모듈: • 상자 요소: "사전 훈련된 언어 모델 (예: BERT)" 레이블, 입력은 엔터티/관계 텍스트 설명, 출력은 "의미론적 초기 임베딩". • 하위 프로세스: 텍스트 인코딩 → 선형 투영 → 초기 임베딩 벡터 생성. 3. 이중 경로 구성 모듈: • 병렬 이중 분기: ◦ 로컬 쿼리 뷰 경로: 쿼리 엔터티 및 타임스탬프를 기반으로 "로컬 동적 하이퍼그래프" (하이퍼에지는 과거 사실을 인코딩)를 구성하고 "로컬 단거리 경로 임베딩"을 출력합니다. ◦ 글로벌 컨텍스트 뷰 경로: 시간 창을 확장하고 "멀티홉 샘플링"을 통해 "장기 하이퍼그래프"를 구성하고 "장거리 경로 시간 임베딩"을 출력합니다. • 각 분기에는 하이퍼그래프 컨볼루션 단계가 포함됩니다: 공간 차원 (멀티 헤드 어텐션 집계) 및 시간 차원 (향상된 시간 인코더 + 감쇠 가중치). 4. 융합 및 최적화 모듈: • 상자 요소: "이중 경로 임베딩 융합", 게이팅 메커니즘을 통해 로컬 및 장거리 임베딩의 가중치 결합. • "대조 학습 제약 조건"에 연결: 양성 샘플 쌍 (동일한 쿼리의 로컬/글로벌 임베딩) 및 음성 샘플 쌍 (다른 쿼리의 임베딩), 대조 손실을 통해 최적화. • 최종 출력: "링크 예측 결과" (예: Hits@1, MRR 메트릭). 스타일 요구 사항: • 직사각형 상자를 사용하여 모듈을 나타내고, 다이아몬드 상자를 사용하여 의사 결정 지점 (예: 감쇠 임계값)을 나타내고, 화살표를 사용하여 프로세스 방향을 나타냅니다. • 색상 코딩: 로컬 경로는 파란색 톤을 사용하고, 장거리 경로는 녹색 톤을 사용하고, 융합 부분은 노란색으로 강조합니다. • 핵심 용어 (예: "동적 하이퍼그래프", "멀티홉 샘플링")에 레이블을 지정하고, 글꼴은 Times New Roman, 10-12pt입니다. 로컬 단거리 경로 시간 임베딩 다이어그램 (작은 이미지 1) 프롬프트: 제목: 로컬 쿼리 뷰를 위한 하이퍼그래프 컨볼루션 및 시간 임베딩 프로세스 목표: 하이퍼그래프 컨볼루션의 시공간 2차원 처리를 강조하면서 로컬 경로의 임베딩 생성 프로세스를 개선합니다. 핵심 요소 및 프로세스: 1. 입력: • 전체 흐름도의 "로컬 쿼리 뷰 경로"에서 액세스, 입력은 "쿼리 엔터티 + 타임스탬프" 및 "로컬 시간 창 내의 과거 사실"입니다. 2. 하이퍼그래프 구성: • 다이어그램: 노드는 엔터티를 나타내고, 하이퍼에지 (타원형)는 여러 개를 둘러쌉니다.
당신은 최고 학술 대회 (CVPR/ICRA)를 위한 전문 과학 삽화가입니다. 임베디드 지능 시스템의 "에피소...