知財求人 - 知財ポータルサイト「IP Force」
▶ ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングの特許一覧
特開2024-167088知識グラフ内のリンクを決定するための装置及びコンピュータ実装された方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024167088
(43)【公開日】2024-11-29
(54)【発明の名称】知識グラフ内のリンクを決定するための装置及びコンピュータ実装された方法
(51)【国際特許分類】
G06N 5/022 20230101AFI20241122BHJP
G06F 16/90 20190101ALI20241122BHJP
【ＦＩ】
G06N5/022
G06F16/90 100
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2024080733
(22)【出願日】2024-05-17
(31)【優先権主張番号】23174338
(32)【優先日】2023-05-19
(33)【優先権主張国・地域又は機関】EP
(71)【出願人】
【識別番号】390023711
【氏名又は名称】ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング
【氏名又は名称原語表記】ＲＯＢＥＲＴ ＢＯＳＣＨ ＧＭＢＨ
【住所又は居所原語表記】Ｓｔｕｔｔｇａｒｔ， Ｇｅｒｍａｎｙ
(74)【代理人】
【識別番号】100114890
【弁理士】
【氏名又は名称】アインゼル・フェリックス＝ラインハルト
(74)【代理人】
【識別番号】100098501
【弁理士】
【氏名又は名称】森田 拓
(74)【代理人】
【識別番号】100116403
【弁理士】
【氏名又は名称】前川 純一
(74)【代理人】
【識別番号】100134315
【弁理士】
【氏名又は名称】永島 秀郎
(74)【代理人】
【識別番号】100162880
【弁理士】
【氏名又は名称】上島 類
(72)【発明者】
【氏名】ツォーン ツェン
(72)【発明者】
【氏名】ドンツォーラン ツォウ
(72)【発明者】
【氏名】エフゲニー ハルラモフ
【テーマコード（参考）】
5B175
【Ｆターム（参考）】
5B175HB03
5B175KA12
(57)【要約】 （修正有）
【課題】第１のエンティティと第２のエンティティと関係とを含む知識グラフ内のリンクを決定するための装置及びコンピュータ実装された方法を提供する。
【解決手段】方法は、第１のエンティティの埋め込みを表す１の表現を決定すること２０６と、知識グラフのエンティティの埋め込みの表現の集合から第２のエンティティの埋め込みを表す第２の表現を選択すること２０８と、を含む。第２の表現を選択することは、第２の表現についての予測を決定すること２０８－１と、第２の表現についての予測に依存して第２の表現を選択すること２０８－２と、を含む。方法はまた、第１のエンティティと第２のエンティティと関係とが含まれるリンクを決定すること２１０を含み、第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含む。
【選択図】図２
【解決手段】方法は、第１のエンティティの埋め込みを表す１の表現を決定すること２０６と、知識グラフのエンティティの埋め込みの表現の集合から第２のエンティティの埋め込みを表す第２の表現を選択すること２０８と、を含む。第２の表現を選択することは、第２の表現についての予測を決定すること２０８－１と、第２の表現についての予測に依存して第２の表現を選択すること２０８－２と、を含む。方法はまた、第１のエンティティと第２のエンティティと関係とが含まれるリンクを決定すること２１０を含み、第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含む。
【選択図】図２
【特許請求の範囲】
【請求項1】
知識グラフ内のリンクを決定するためのコンピュータ実装された方法であって、
前記リンクは、第１のエンティティと、第２のエンティティと、関係とを含む、
方法において、
前記方法は、第１の表現を決定すること（２０６）であって、前記第１の表現は、前記第１のエンティティの埋め込みを表す、こと（２０６）を含み、
前記方法は、前記知識グラフのエンティティの埋め込みの表現の集合から第２の表現を選択すること（２０８）であって、前記第２の表現は、前記第２のエンティティの埋め込みを表す、こと（２０８）を含み、
前記第２の表現を選択すること（２０８）は、前記第２の表現についての予測を決定すること（２０８－１）と、前記第２の表現についての前記予測に依存して前記第２の表現を選択すること（２０８－２）とを含み、
前記方法は、前記第１のエンティティと、前記第２のエンティティと、前記関係とが含まれる前記リンクを決定すること（２１０）を含み、
前記第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第１の表現を決定すること（２０６）は、前記第１のエンティティの埋め込みを多次元ベクトルの第１の集合に分割すること（２０６－１）と、前記第１の集合のベクトルを、前記関係に依存して前記第１の表現の多次元ベクトルにマッピングすること（２０６－２）とを含み、
前記第２の表現についての前記予測を決定すること（２０８－１）は、前記関係に依存して前記双曲空間内の前記多次元ベクトルを回転させること（２０８－１１）及び並進させること（２０８－１２）を含む
ことを特徴とする、方法。
前記リンクは、第１のエンティティと、第２のエンティティと、関係とを含む、
方法において、
前記方法は、第１の表現を決定すること（２０６）であって、前記第１の表現は、前記第１のエンティティの埋め込みを表す、こと（２０６）を含み、
前記方法は、前記知識グラフのエンティティの埋め込みの表現の集合から第２の表現を選択すること（２０８）であって、前記第２の表現は、前記第２のエンティティの埋め込みを表す、こと（２０８）を含み、
前記第２の表現を選択すること（２０８）は、前記第２の表現についての予測を決定すること（２０８－１）と、前記第２の表現についての前記予測に依存して前記第２の表現を選択すること（２０８－２）とを含み、
前記方法は、前記第１のエンティティと、前記第２のエンティティと、前記関係とが含まれる前記リンクを決定すること（２１０）を含み、
前記第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第１の表現を決定すること（２０６）は、前記第１のエンティティの埋め込みを多次元ベクトルの第１の集合に分割すること（２０６－１）と、前記第１の集合のベクトルを、前記関係に依存して前記第１の表現の多次元ベクトルにマッピングすること（２０６－２）とを含み、
前記第２の表現についての前記予測を決定すること（２０８－１）は、前記関係に依存して前記双曲空間内の前記多次元ベクトルを回転させること（２０８－１１）及び並進させること（２０８－１２）を含む
ことを特徴とする、方法。
【請求項2】
前記第２の表現についての前記予測は、前記双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第２の表現は、前記双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第２の表現を選択すること（２０８－２）は、
同一の双曲空間内に存在する、前記第２の表現の前記多次元ベクトルと、前記第２の表現についての前記予測の前記多次元ベクトルとの間の差を決定すること（２０８－２１）と、
前記差に依存して距離を決定すること（２０８－２２）と、
前記距離に依存して前記第２の表現を選択すること（２０８－２３）と、
を含む、
請求項１に記載の方法。
前記第２の表現は、前記双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第２の表現を選択すること（２０８－２）は、
同一の双曲空間内に存在する、前記第２の表現の前記多次元ベクトルと、前記第２の表現についての前記予測の前記多次元ベクトルとの間の差を決定すること（２０８－２１）と、
前記差に依存して距離を決定すること（２０８－２２）と、
前記距離に依存して前記第２の表現を選択すること（２０８－２３）と、
を含む、
請求項１に記載の方法。
【請求項3】
前記距離を決定すること（２０８－２２）は、
前記第２の表現についての前記予測の前記多次元ベクトルを連結すること（２０８－２２１）と、
前記第２の表現の前記多次元ベクトルを連結すること（２０８－２２２）と、
前記第２の表現についての前記予測の連結された多次元ベクトルに依存して、かつ、前記第２の表現の連結された多次元ベクトルに依存して前記距離を決定すること（２０８－２２３）と、
を含む、
請求項２に記載の方法。
前記第２の表現についての前記予測の前記多次元ベクトルを連結すること（２０８－２２１）と、
前記第２の表現の前記多次元ベクトルを連結すること（２０８－２２２）と、
前記第２の表現についての前記予測の連結された多次元ベクトルに依存して、かつ、前記第２の表現の連結された多次元ベクトルに依存して前記距離を決定すること（２０８－２２３）と、
を含む、
請求項２に記載の方法。
【請求項4】
前記第１の表現を決定すること（２０６－１）は、前記第１の集合のベクトルをそれぞれ異なる双曲空間にマッピングすること（２０６－２）を含む、
請求項１乃至３のいずれか一項に記載の方法。
請求項１乃至３のいずれか一項に記載の方法。
【請求項5】
複数の双曲空間のうちの少なくとも１つの双曲空間の曲率が、前記関係によって定義される、
請求項１乃至４のいずれか一項に記載の方法。
請求項１乃至４のいずれか一項に記載の方法。
【請求項6】
複数の双曲空間のうちの少なくとも１つの双曲空間における回転の程度が、前記関係によって定義される、
請求項１乃至５のいずれか一項に記載の方法。
請求項１乃至５のいずれか一項に記載の方法。
【請求項7】
複数の双曲空間のうちの少なくとも１つの双曲空間における並進の程度が、前記関係によって定義される、
請求項１乃至６のいずれか一項に記載の方法。
請求項１乃至６のいずれか一項に記載の方法。
【請求項8】
前記方法は、前記関係を提供すること（２０４）を含み、
前記関係は、双曲空間ごとに、回転の程度、並進の程度、及び／又は、前記双曲空間の曲率を定義する１つのパラメータを含む、
請求項１乃至７のいずれか一項に記載の方法。
前記関係は、双曲空間ごとに、回転の程度、並進の程度、及び／又は、前記双曲空間の曲率を定義する１つのパラメータを含む、
請求項１乃至７のいずれか一項に記載の方法。
【請求項9】
前記方法は、前記知識グラフのエンティティの埋め込みの表現の集合を決定すること（２０６）を含み、
前記埋め込みの表現の集合を決定すること（２０６）は、
それぞれの埋め込みを多次元ベクトルの集合に分割すること（２０６－１）と、
特に前記関係に依存して、それぞれの集合のベクトルをそれぞれの表現の多次元ベクトルにマッピングすること（２０６－２）と、
を含む、
請求項１乃至８のいずれか一項に記載の方法。
前記埋め込みの表現の集合を決定すること（２０６）は、
それぞれの埋め込みを多次元ベクトルの集合に分割すること（２０６－１）と、
特に前記関係に依存して、それぞれの集合のベクトルをそれぞれの表現の多次元ベクトルにマッピングすること（２０６－２）と、
を含む、
請求項１乃至８のいずれか一項に記載の方法。
【請求項10】
前記方法は、
前記関係に依存して前記第１のエンティティを前記第１の表現にマッピングするように、
前記関係に依存して前記第２のエンティティを前記第２の表現にマッピングするように、
前記関係に依存して前記双曲空間内の前記第１の表現を回転及び並進させるように、並びに、
前記第２の表現についての前記予測に依存してかつ前記第２の表現に依存して前記第２のエンティティを決定するように、又は、モデルによって前記第２のエンティティを選択するように、
モデルをトレーニングすることを含む、
請求項１乃至９のいずれか一項に記載の方法。
前記関係に依存して前記第１のエンティティを前記第１の表現にマッピングするように、
前記関係に依存して前記第２のエンティティを前記第２の表現にマッピングするように、
前記関係に依存して前記双曲空間内の前記第１の表現を回転及び並進させるように、並びに、
前記第２の表現についての前記予測に依存してかつ前記第２の表現に依存して前記第２のエンティティを決定するように、又は、モデルによって前記第２のエンティティを選択するように、
モデルをトレーニングすることを含む、
請求項１乃至９のいずれか一項に記載の方法。
【請求項11】
前記方法は、
前記リンクに依存して技術的システム（１０６）、特に物理的システム、好ましくはコンピュータ制御式の機械、特にロボットシステム、車両、家電製品、電動工具、製造機械、パーソナルアシスタント若しくはアクセス制御システムを制御するための制御信号（１１２）を決定すること（２１２）、又は、
特にセンサデータ（１１４）におけるオブジェクトの存在を検出するために、前記センサデータ（１１４）を分類すること（２１２）、又は、
前記リンクに依存して、好ましくは交通標識、路面、歩行者、車両に関する前記センサデータ（１１４）に対するセマンティックセグメンテーションを実施すること（２１２）、又は、
前記リンクに依存して、好ましくはセンサ（１０８）からのデータ（１１４）、特にスカラー時系列データを分析すること、又は、
前記リンクに依存して技術的システム（１０６）の状態を決定すること（２１２）
を含む、
請求項１乃至１０のいずれか一項に記載の方法。
前記リンクに依存して技術的システム（１０６）、特に物理的システム、好ましくはコンピュータ制御式の機械、特にロボットシステム、車両、家電製品、電動工具、製造機械、パーソナルアシスタント若しくはアクセス制御システムを制御するための制御信号（１１２）を決定すること（２１２）、又は、
特にセンサデータ（１１４）におけるオブジェクトの存在を検出するために、前記センサデータ（１１４）を分類すること（２１２）、又は、
前記リンクに依存して、好ましくは交通標識、路面、歩行者、車両に関する前記センサデータ（１１４）に対するセマンティックセグメンテーションを実施すること（２１２）、又は、
前記リンクに依存して、好ましくはセンサ（１０８）からのデータ（１１４）、特にスカラー時系列データを分析すること、又は、
前記リンクに依存して技術的システム（１０６）の状態を決定すること（２１２）
を含む、
請求項１乃至１０のいずれか一項に記載の方法。
【請求項12】
知識グラフ内のリンクを決定するための装置（１００）であって、
前記装置（１００）は、
少なくとも１つのプロセッサ（１０２）と、
少なくとも１つのストレージ（１０４）と、
を備え、
前記少なくとも１つのプロセッサ（１０２）は、前記少なくとも１つのプロセッサ（１０２）によって実行された場合に、請求項１乃至１１のいずれか一項に記載の方法を前記少なくとも１つのプロセッサ（１０２）に実施させるための命令を実行するように構成されており、
前記少なくとも１つのストレージ（１０４）は、前記命令を格納するように構成されている
ことを特徴とする、装置（１００）。
前記装置（１００）は、
少なくとも１つのプロセッサ（１０２）と、
少なくとも１つのストレージ（１０４）と、
を備え、
前記少なくとも１つのプロセッサ（１０２）は、前記少なくとも１つのプロセッサ（１０２）によって実行された場合に、請求項１乃至１１のいずれか一項に記載の方法を前記少なくとも１つのプロセッサ（１０２）に実施させるための命令を実行するように構成されており、
前記少なくとも１つのストレージ（１０４）は、前記命令を格納するように構成されている
ことを特徴とする、装置（１００）。
【請求項13】
コンピュータによって実行された場合に、請求項１乃至１２のいずれか一項に記載の方法のステップを前記コンピュータに実施させるためのコンピュータ可読命令を含むコンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
背景
本発明は、知識グラフ内のリンクを決定するための装置及びコンピュータ実装された方法に関する。
本発明は、知識グラフ内のリンクを決定するための装置及びコンピュータ実装された方法に関する。
【発明の概要】
【発明が解決しようとする課題】
【0002】
発明の開示
独立請求項に記載のコンピュータ実装された方法及び装置は、知識グラフ内における未知のリンクの予測の改良を提供する。
独立請求項に記載のコンピュータ実装された方法及び装置は、知識グラフ内における未知のリンクの予測の改良を提供する。
【0003】
知識グラフとは、ファクトを、共通して３つ組（先頭エンティティｈ、関係ｒ、及び、末尾エンティティｔ）の形態で表すマルチリレーショナルグラフである。知識グラフ埋め込みとは、リンク予測を介して距離空間又はニューラルネットワークにおいて知識グラフを数値的に表したものであり、これにより、問い合わせ応答、エンティティ分類のような多くの下流のタスクに対して強力な機械学習を活用する可能性が可能となる。双曲空間内の知識グラフ埋め込みは、低次元の埋め込み空間内においても非常に良好な性能を達成することができる。
【課題を解決するための手段】
【0004】
知識グラフ内のリンクを決定するためのコンピュータ実装された方法は、リンクが、第１のエンティティと、第２のエンティティと、関係とを含み、本方法は、第１の表現を決定することであって、第１の表現は、第１のエンティティの埋め込みを表す、ことを含み、本方法は、知識グラフのエンティティの埋め込みの表現の集合から第２の表現を選択することであって、第２の表現は、第２のエンティティの埋め込みを表す、ことを含み、第２の表現を選択することは、第２の表現についての予測を決定することと、第２の表現についての予測に依存して第２の表現を選択することとを含み、本方法は、第１のエンティティと、第２のエンティティと、関係とが含まれるリンクを決定することを含み、第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、第１の表現を決定することは、第１のエンティティの埋め込みを多次元ベクトルの第１の集合に分割することと、第１の集合のベクトルを、関係に依存して第１の表現の多次元ベクトルにマッピングすることとを含み、第２の表現についての予測を決定することは、関係に依存して双曲空間内の多次元ベクトルを回転させること及び並進させることを含む。本方法は、トレーニングにおいて未知の３つ組に対して、トレーニングデータにおいて不十分に表現されているエンティティに対して、及び、トレーニングデータにおいて不十分に表現されている関係に対して、多種多様な外挿を提供する。本方法は、低次元空間内におけるリンク予測を改良する。本方法は、強力な合成を支援する。
【0005】
リンクは、先頭エンティティすなわち第１のエンティティと、末尾エンティティすなわち第２のエンティティとを含む。本方法は、多様体Ｍにおける先頭エンティティの埋め込みを、直積空間Ｐの成分空間内のサブベクトルに分解し、これらのサブベクトルに対して、それぞれの関係ごとに特有である並進及び回転を実施して、第２の表現についての予測を決定する。第２の表現は、結果的に生じた、並進及び回転させられたサブベクトルに基づいて選択される。
【0006】
いくつかの実施形態においては、第２の表現についての予測は、双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、第２の表現は、双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、第２の表現を選択することは、同一の双曲空間内に存在する、第２の表現の多次元ベクトルと、第２の表現についての予測の多次元ベクトルとの間の差を決定することと、差に依存して距離を決定することと、距離に依存して第２の表現を選択することとを含む。距離は、並進及び回転させられたサブベクトルに依存して決定される。第２の表現は、所与のグラウンドトゥルースであるものとしてもよいし、又は、埋め込み若しくは第２のエンティティに依存して決定されるものとしてもよい。
【0007】
いくつかの実施形態においては、距離を決定することは、第２の表現についての予測の多次元ベクトルを連結することと、第２の表現の多次元ベクトルを連結することと、第２の表現についての予測の連結された多次元ベクトルに依存して、かつ、第２の表現の連結された多次元ベクトルに依存して距離を決定することとを含む。例えば、並進及び回転させられたサブベクトルが連結され、第２のエンティティの埋め込みを表す連結されたベクトルまでの距離が決定される。
【0008】
いくつかの実施形態においては、第１の表現を決定することは、第１の集合のベクトルをそれぞれ異なる双曲空間にマッピングすることを含む。
【0009】
いくつかの実施形態においては、複数の双曲空間のうちの少なくとも１つの双曲空間の曲率が、関係によって定義される。このことはつまり、曲率が、学習可能なパラメータであるということを意味する。
【0010】
いくつかの実施形態においては、複数の双曲空間のうちの少なくとも１つの双曲空間における回転の程度が、関係によって定義される。このことはつまり、回転の程度が、学習可能なパラメータであるということを意味する。
【0011】
いくつかの実施形態においては、複数の双曲空間のうちの少なくとも１つの双曲空間における並進の程度が、関係によって定義される。このことはつまり、並進の程度が、学習可能なパラメータであるということを意味する。
【0012】
いくつかの実施形態においては、本方法は、関係を提供することを含み、関係は、双曲空間ごとに、回転の程度、並進の程度、及び／又は、双曲空間の曲率を定義する１つのパラメータを含む。推論において、関係、すなわち、少なくとも１つの学習されたパラメータは、所与の第１のエンティティに対する第２のエンティティを決定するために提供される。
【0013】
いくつかの実施形態においては、本方法は、知識グラフのエンティティの埋め込みの表現の集合を決定することを含み、埋め込みの表現の集合を決定することは、それぞれの埋め込みを多次元ベクトルの集合に分割することと、特に関係に依存して、それぞれの集合のベクトルをそれぞれの表現の多次元ベクトルにマッピングすることとを含む。第２のエンティティが含まれる他のエンティティが埋め込まれ、それぞれの埋め込みは、多次元ベクトルのそれぞれの集合を双曲空間にマッピングすることによって表される。
【0014】
いくつかの実施形態においては、本方法は、関係に依存して第１のエンティティを第１の表現にマッピングするように、関係に依存して第２のエンティティを第２の表現にマッピングするように、関係に依存して双曲空間内の第１の表現を回転及び並進させるように、並びに、第２の表現についての予測に依存してかつ第２の表現に依存して第２のエンティティを選択するように、又は、モデルによって第２のエンティティを選択するように、モデルをトレーニングすることを含む。
【0015】
いくつかの実施形態においては、本方法は、リンクに依存して技術的システム、特に物理的システム、好ましくはコンピュータ制御式の機械、特に、ロボットシステム、車両、家電製品、電動工具、製造機械、パーソナルアシスタント若しくはアクセス制御システムを制御するための制御信号を決定すること、又は、特にセンサデータにおけるオブジェクトの存在を検出するために、センサデータを分類すること、又は、リンクに依存して、好ましくは交通標識、路面、歩行者、車両に関するセンサデータに対するセマンティックセグメンテーションを実施すること、又は、リンクに依存して、好ましくはセンサからのデータ、特にスカラー時系列データを分析すること、又は、リンクに依存して技術的システムの状態を決定することを含む。
【0016】
知識グラフ内のリンクを決定するための装置は、少なくとも１つのプロセッサと、少なくとも１つのストレージとを含み、少なくとも１つのプロセッサは、少なくとも１つのプロセッサによって実行された場合に、本方法を少なくとも１つのプロセッサに実施させるための命令を実行するように構成されている。
【0017】
コンピュータプログラムは、コンピュータによって実行された場合に、本方法のステップをコンピュータに実施させるためのコンピュータ可読命令を含む。
【0018】
以下の説明及び図面から、さらなる実施形態を導き出すことができる。
【図面の簡単な説明】
【0019】
【発明を実施するための形態】
【0020】
図１は、知識グラフ内のリンクを決定するための装置１００を概略的に示している。リンクは、例えば、先頭エンティティ、すなわち、知識グラフ内の３つ組のうちの第１のエンティティと、末尾エンティティ、すなわち、知識グラフ内の３つ組のうちの第２又は最後のエンティティと、それらの関係とを含む。
【0021】
装置１００は、少なくとも１つのプロセッサ１０２と、少なくとも１つのストレージ１０４とを含む。
【0022】
少なくとも１つのプロセッサ１０２は、少なくとも１つのプロセッサ１０２によって実行された場合に、知識グラフ内のリンクを決定するためのコンピュータ実装された方法を少なくとも１つのプロセッサ１０２に実行させる命令を実行するように構成されている。
【0023】
少なくとも１つのストレージ１０４は、これらの命令を格納するように構成されている。
【0024】
本例においては、少なくとも１つのストレージ１０４は、知識グラフを格納するように構成されている。
【0025】
知識グラフは、複数のエンティティと、複数の関係とを含む。知識グラフは、例えば、１０００超、１００００超又は１０００００超のエンティティを含む。知識グラフは、複数のエンティティと、複数の関係とを含む。知識グラフは、例えば、１０００超、１００００超又は１０００００超の関係を含む。
【0026】
知識グラフ埋め込みモデルは、知識グラフ埋め込みに基づいたリンク予測タスクの不可欠な部分である。このモデルの使用は、具体的には２つの部分から成り、第一には、このモデルを使用して、知識グラフのデータ集合内のエンティティの埋め込みと、関係の埋め込みとをトレーニングすることができる。第二には、このモデルを使用して、＜サブジェクト、関係＞（又は＜オブジェクト、関係＞）から予測されたオブジェクト（又はサブジェクト）と、真のオブジェクト（又はサブジェクト）との類似性を生成することもできる。リンク予測タスクにおいては、サブジェクト及び関係が与えられた場合に、エンティティのトレーニングされた埋め込みと、関係のトレーニングされた埋め込みとがモデルに供給されて、オブジェクトの予測された埋め込みが計算され、さらに、オブジェクトのこの予測された埋め込みが、データ集合内の全てのエンティティと比較される。予測された埋め込みに最も近似している埋め込みを有するエンティティが、予測される回答として、すなわち、欠落していたオブジェクトとして選択される。
【0027】
知識グラフＫＧは、Ｇ＝（Ｅ，Ｒ，Ｆ）として表されるマルチリレーショナルグラフであり、ここで、（ｈ，ｒ，ｔ）∈Ｆ⊆Ｅ×Ｒ×Ｅの３つ組の形式で与えられた場合、Ｅは、エンティティの集合、すなわち、グラフのノードの集合であり、Ｒは、エンティティ間の二項関係の集合、すなわち、グラフのエッジの種類の集合であり、Ｆは、ファクトの集合、すなわち、グラフのエッジの集合であり、なお、ｈは、先頭エンティティを表し、ｔは、末尾エンティティを表す。ＫＧＥ問題の共通設定は、リンク予測の問題：（ｈ，ｒ，？）（又は（？，ｒ，ｔ））を解くことを目指し、すなわち、先頭エンティティ（又は末尾エンティティ）と関係との問い合わせが与えられた場合に、最も可能性の高い末尾エンティティ（又は先頭エンティティ）を見出すことを目指す。
【0028】
したがって、ＫＧＥ問題は、関数
ＫＧＥ：（ｈ，ｒ）→ｔ
を見出すこととして定義される。
ＫＧＥ：（ｈ，ｒ）→ｔ
を見出すこととして定義される。
【0029】
簡素化のために、２つの方向の両方における問い合わせを、（ｈ，ｒ）→ｔと表す。
【0030】
（Ｍ，Ｇ，ｓ）を埋め込み空間とし、ここで、Ｍは、距離空間であり、Ｇは、Ｍに対して定義されたドメイン及び範囲を有するマッピングの集合であり、ｓは、スコアリング関数ｓ：Ｍ×Ｇ×Ｍ→Ｒである。ＫＧＥ問題は、Ｇ＝（Ｅ，Ｒ，Ｆ）から（Ｍ，Ｇ，ｓ）までの埋め込みを見出すことを目的としており、この埋め込みは、（ｉ）エンティティｈ，ｔ∈Ｅを各点に、すなわち、ベクトルｅｈ，ｅｔ∈Ｍにマッピングし、（ｉｉ）どのくらい（ｈ，ｒ，ｔ）∈Ｆである可能性があるかをｓ（ｅｈ，ｇｒ，ｅｔ）がランク付けするように、それぞれの関係ｒ∈Ｒをマップｇｒ∈Ｇにマッピングする。
【0031】
図１は、技術的システム１０６を概略的に示している。技術的システム１０６は、センサ１０８及び／又はアクチュエータ１１０を含み得る。
【0032】
装置１００は、リンクに依存して技術的システム１０６を制御するための制御信号１１２を決定するように構成されるものとしてよい。装置１００は、センサ１０８からデータ１１４を受信するように構成されるものとしてよい。
【0033】
技術的システム１０６は、例えば、物理的システムである。
【0034】
技術的システム１０６は、例えば、コンピュータ制御式の機械、特に、ロボットシステム、車両、家電製品、電動工具、製造機械、パーソナルアシスタント、又は、アクセス制御システムである。
【0035】
技術的システム１０６は、リンクに依存してセンサデータ１１４におけるオブジェクトの存在を検出するために、センサデータ１１４を分類するように構成されるものとしてよい。
【0036】
技術的システム１０６は、リンクに依存してセンサデータ１１４に対するセマンティックセグメンテーションを実施するために、センサデータ１１４を分類するように構成されるものとしてよい。
【0037】
リンクは、例えば、オブジェクトに関する追加的な情報を表す末尾エンティティを提供し、その場合、末尾エンティティは、先頭エンティティに対する所与の関係を有し、先頭エンティティは、分類又はセマンティックセグメンテーションにおいて検出されたオブジェクトのクラスを表す。
【0038】
技術的システム１０６は、交通標識、路面、歩行者、車両に関するセンサデータ１１４のセマンティックセグメンテーションを分類又は実施するように構成されるものとしてよい。
【0039】
技術的システム１０６は、リンクに依存してデータ１１４を分析するように構成されるものとしてよい。分析されるデータ１１４は、スカラー時系列データであるものとしてよい。スカラー時系列データは、センサ１０８によって測定されるものとしてよい。
【0040】
技術的システム１０６は、リンクに依存して技術的システム１０６の状態を決定するように構成されるものとしてよい。
【0041】
リンクは、例えば、分析の結果又は状態を表す末尾エンティティを提供し、その場合、このリンクによる末尾エンティティは、分析されるデータ１１４を表す先頭エンティティに対する所与の関係を有する。
【0042】
制御信号１１２は、センサデータ１１４とリンクとに基づいて検出された１つ又は複数のオブジェクト又は状態に依存して、技術的システム１０６を制御するように決定されるものとしてよい。制御信号１１２は、１つ又は複数のオブジェクトに反応するために、又は、１つ又は複数のオブジェクトを回避するために、又は、技術的システム１０６の状態を、例えば安全な状態若しくはオフ状態に変更するために、技術的システム１０６を制御するように決定されるものとしてよい。
【0043】
図２は、コンピュータ実装された方法のフローチャートを示している。
【0044】
本方法は、２次元ベクトルに関して説明されている。本方法は、多次元ベクトル、すなわち、３次元以上のベクトルを使用することができる。
【0045】
本方法は、２次元双曲空間に関して説明されている。本方法は、多次元双曲空間、すなわち、３次元以上の双曲空間を使用することができ、その場合、ベクトルは、双曲空間と同一の次元量を有する。
【0046】
本方法は、ステップ２０２を含む。
【0047】
ステップ２０２は、知識グラフを提供することを含む。知識グラフは、第１のエンティティ及び第２のエンティティが含まれるエンティティの集合を有する。
【0048】
本方法は、ステップ２０４を含む。
【0049】
ステップ２０４は、第１のエンティティ及び関係を提供することを含む。
【0050】
例えば、関係を介して第１のエンティティにリンクされている第２のエンティティを決定するために、第２のエンティティについての問い合わせが提供される。
【0051】
関係は、双曲空間ごとに、回転の程度、並進の程度、及び／又は、双曲空間の曲率を定義する１つのパラメータを含み得る。
【0052】
本方法は、ステップ２０６を含む。
【0053】
ステップ２０６は、第１の表現及び第２の表現が含まれる、知識グラフのエンティティの埋め込みの表現の集合を決定することを含む。
【0054】
第１の表現は、第１のエンティティの埋め込みを表す。第１の表現は、２次元双曲空間内の２次元ベクトルを含む。
【0055】
第２の表現は、第２のエンティティの埋め込みを表す。第２の表現は、２次元双曲空間内の２次元ベクトルを含む。
【0056】
第１の表現を決定することは、ステップ２０６－１を含む。
【0057】
ステップ２０６－１は、それぞれの埋め込みを多次元ベクトルの集合に分割することを含む。
【0058】
埋め込み次元が３２である例においては、この埋め込みが１６の２次元ベクトルに分割される。
【0059】
ベクトルは、関係に依存して分割されるものとしてよい。
【0060】
このことはつまり、ステップ２０６－１が、第１のエンティティの埋め込みを多次元ベクトルの第１の集合に分割することを含むということを意味する。
【0061】
このことはつまり、ステップ２０６－１が、第２のエンティティの埋め込みを多次元ベクトルの第２の集合に分割することを含むということを意味する。
【0062】
第１の表現を決定することは、ステップ２０６－２を含む。
【0063】
ステップ２０６－２は、それぞれの集合のベクトルをそれぞれの表現の多次元ベクトルにマッピングすることを含む。
【0064】
ベクトルは、関係に依存してマッピングされるものとしてよい。
【0065】
このことはつまり、ステップ２０６－２が、第１の集合のベクトルを第１の表現の多次元ベクトルにマッピングすることを含むということを意味する。
【0066】
このことはつまり、ステップ２０６－２が、第２の集合のベクトルを第２の表現の多次元ベクトルにマッピングすることを含むということを意味する。
【0067】
第１の表現を決定することは、第１の集合のベクトルをそれぞれ異なる双曲空間にマッピングすることを含み得る。
【0068】
複数の双曲空間のうちの少なくとも１つの双曲空間の曲率を、関係によって定義することができる。
【0069】
本方法は、ステップ２０８を含む。
【0070】
ステップ２０８は、知識グラフのエンティティの埋め込みの表現の集合から第２の表現を選択することを含む。
【0071】
第２の表現は、第２のエンティティの埋め込みを表す。
【0072】
第２の表現は、２次元双曲空間内の２次元ベクトルを含む。
【0073】
第２の表現を選択することは、ステップ２０８－１を含む。
【0074】
ステップ２０８－１は、第２の表現についての予測を決定することを含む。
【0075】
第２の表現についての予測は、２次元双曲空間内の２次元ベクトルを含む。
【0076】
第２の表現についての予測を決定することは、ステップ２０８－１１を含む。
【0077】
ステップ２０８－１１は、関係に依存して双曲空間内の多次元ベクトルを回転させることを含む。
【0078】
複数の双曲空間のうちの少なくとも１つの双曲空間内における回転の程度を、関係によって定義することができる。
【0079】
第２の表現についての予測を決定することは、ステップ２０８－１２を含む。
【0080】
ステップ２０８－１２は、関係に依存して双曲空間内の多次元ベクトルを並進させることを含む。
【0081】
複数の双曲空間のうちの少なくとも１つの双曲空間内における並進の程度を、関係によって定義することができる。
【0082】
第２の表現を選択することは、ステップ２０８－２を含む。
【0083】
ステップ２０８－２は、第２の表現についての予測に依存して第２の表現を選択することを含む。
【0084】
第２の表現を選択することは、ステップ２０８－２１を含む。
【0085】
ステップ２０８－２１は、同一の双曲空間内に存在する、第２の表現の多次元ベクトルと、第２の表現についての予測の多次元ベクトルとの間の差を決定することを含む。
【0086】
第２の表現を選択することは、ステップ２０８－２２を含む。
【0087】
ステップ２０８－２２は、差に依存して距離を決定することを含む。
【0088】
距離を決定することは、ステップ２０８－２２１を含み得る。
【0089】
ステップ２０８－２２１は、第２の表現についての予測の多次元ベクトルを連結することを含む。
【0090】
距離を決定することは、ステップ２０８－２２２を含み得る。
【0091】
ステップ２０８－２２２は、第２の表現の多次元ベクトルを連結することを含む。
【0092】
距離を決定することは、ステップ２０８－２２３を含み得る。
【0093】
ステップ２０８－２２３は、第２の表現についての予測の連結された多次元ベクトルに依存して、かつ、第２の表現の連結された多次元ベクトルに依存して距離を決定することを含む。
【0094】
第２の表現を選択することは、ステップ２０８－２３を含む。
【0095】
ステップ２０８－２３は、距離に依存して第２の表現を選択することを含む。
【0096】
例示的な距離ｄｐは、
から決定され、ここで、
は、第２の表現についての予測
と、
曲率ｋを有するリーマン空間内の知識グラフの複数のエンティティのうちの１つのエンティティの表現
とのメビウス加算を示し、表現は、ｄの次元を有し、ｎは、双曲空間の次元であり、例えば、２次元双曲空間の場合には、ｎ＝２である。
【数1】
【数2】
【数3】
曲率ｋを有するリーマン空間内の知識グラフの複数のエンティティのうちの１つのエンティティの表現
【数4】
【0097】
例えば、知識グラフのエンティティは、予測された第２の表現に最も近似している表現を有する第２のエンティティとして選択される。
【0098】
本方法は、ステップ２１０を含む。
【0099】
ステップ２１０は、第１のエンティティと、第２のエンティティと、関係とが含まれるリンクを決定することを含む。
【0100】
本方法は、ステップ２１２を含み得る。
【0101】
ステップ２１２は、リンクを使用することを含む。
【0102】
例えば、本方法は、リンクに依存して技術的システム１０６を制御するための制御信号１１２を決定することを含む。
【0103】
例えば、本方法は、特にリンクに依存してセンサデータ１１４におけるオブジェクトの存在を検出するために、センサデータ１１４を分類することを含む。
【0104】
例えば、本方法は、リンクに依存して、好ましくは交通標識、路面、歩行者、車両に関するセンサデータ１１４に対するセマンティックセグメンテーションを実施することを含む。
【0105】
例えば、本方法は、リンクに依存してデータ１１４、特にスカラー時系列データを分析することを含む。
【0106】
例えば、本方法は、リンクに依存して技術的システム１０６又はセンサ１０８の状態を決定することを含む。
【0107】
本方法は、センサ１０８からデータ１１４を受信することを含み得る。
【0108】
本方法は、制御信号１１２をアクチュエータ１１０に送信することを含み得る。
【0109】
センサ１０８は、技術的システム１０６の周囲におけるデータ、又は、技術的システム１０６若しくは技術的システム１０６の環境の状態を特徴付けるデータを検知するように構成されるものとしてよい。センサ１０８は、例えばデジタル画像、例えば、ビデオ、レーダ、ＬｉＤＡＲ、超音波又は赤外線画像を表すデータを捕捉するように構成されている。
【0110】
アクチュエータ１１０は、技術的システム１０６又はその一部を動作させるように構成されるものとしてよい。
【0111】
本方法は、知識グラフのエンティティを２次元双曲空間内のエンティティの表現にマッピングするように、モデルをトレーニングすることを含み得る。
【0112】
本方法は、エンティティをエンティティの埋め込みにマッピングするように、モデルをトレーニングすることを含み得る。本方法は、埋め込みを２次元ベクトルの集合にマッピングするように、モデルをトレーニングすることを含み得る。
【0113】
本方法は、２次元ベクトルの集合のベクトルを２次元双曲空間にマッピングするように、モデルをトレーニングすることを含み得る。
【0114】
このことはつまり、モデルが、第１のエンティティを第１の表現にマッピングするように構成され得るということを意味する。
【0115】
このことはつまり、モデルが、第２のエンティティを第２の表現にマッピングするように構成され得るということを意味する。
【0116】
本方法は、関係に依存してマッピングの結果を決定するように、モデルをトレーニングすることを含み得る。
【0117】
本方法は、関係に依存して双曲空間内の第１の表現を回転及び並進させるように、モデルをトレーニングすることを含み得る。
【0118】
本方法は、第２の表現についての予測に依存して、かつ、第２の表現に依存して第２のエンティティを決定するように、モデルをトレーニングすることを含み得る。
【0119】
このことはつまり、モデルが、第２の表現についての予測に依存して、かつ、第２の表現に依存して第２のエンティティを決定するように構成され得るということを意味する。
【0120】
本方法は、モデルによって第２のエンティティを選択するように、モデルをトレーニングすることを含み得る。
【0121】
このことはつまり、モデルが、第１のエンティティ及び関係に依存して第２のエンティティを選択するように構成され得るということを意味する。
【0122】
モデルは、ニューラルネットワーク、特にディープニューラルネットワークを含み得る。
【図1】
【図2】
【手続補正書】
【提出日】2024-07-22
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
知識グラフ内のリンクを決定するためのコンピュータ実装された方法であって、
前記リンクは、第１のエンティティと、第２のエンティティと、関係とを含む、
方法において、
前記方法は、第１の表現を決定すること（２０６）であって、前記第１の表現は、前記第１のエンティティの埋め込みを表す、こと（２０６）を含み、
前記方法は、前記知識グラフのエンティティの埋め込みの表現の集合から第２の表現を選択すること（２０８）であって、前記第２の表現は、前記第２のエンティティの埋め込みを表す、こと（２０８）を含み、
前記第２の表現を選択すること（２０８）は、前記第２の表現についての予測を決定すること（２０８－１）と、前記第２の表現についての前記予測に依存して前記第２の表現を選択すること（２０８－２）とを含み、
前記方法は、前記第１のエンティティと、前記第２のエンティティと、前記関係とが含まれる前記リンクを決定すること（２１０）を含み、
前記第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第１の表現を決定すること（２０６）は、前記第１のエンティティの埋め込みを多次元ベクトルの第１の集合に分割すること（２０６－１）と、前記第１の集合のベクトルを、前記関係に依存して前記第１の表現の多次元ベクトルにマッピングすること（２０６－２）とを含み、
前記第２の表現についての前記予測を決定すること（２０８－１）は、前記関係に依存して前記双曲空間内の前記多次元ベクトルを回転させること（２０８－１１）及び並進させること（２０８－１２）を含む
ことを特徴とする、方法。
前記リンクは、第１のエンティティと、第２のエンティティと、関係とを含む、
方法において、
前記方法は、第１の表現を決定すること（２０６）であって、前記第１の表現は、前記第１のエンティティの埋め込みを表す、こと（２０６）を含み、
前記方法は、前記知識グラフのエンティティの埋め込みの表現の集合から第２の表現を選択すること（２０８）であって、前記第２の表現は、前記第２のエンティティの埋め込みを表す、こと（２０８）を含み、
前記第２の表現を選択すること（２０８）は、前記第２の表現についての予測を決定すること（２０８－１）と、前記第２の表現についての前記予測に依存して前記第２の表現を選択すること（２０８－２）とを含み、
前記方法は、前記第１のエンティティと、前記第２のエンティティと、前記関係とが含まれる前記リンクを決定すること（２１０）を含み、
前記第１の表現は、双曲空間内、特に２次元双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第１の表現を決定すること（２０６）は、前記第１のエンティティの埋め込みを多次元ベクトルの第１の集合に分割すること（２０６－１）と、前記第１の集合のベクトルを、前記関係に依存して前記第１の表現の多次元ベクトルにマッピングすること（２０６－２）とを含み、
前記第２の表現についての前記予測を決定すること（２０８－１）は、前記関係に依存して前記双曲空間内の前記多次元ベクトルを回転させること（２０８－１１）及び並進させること（２０８－１２）を含む
ことを特徴とする、方法。
【請求項2】
前記第２の表現についての前記予測は、前記双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第２の表現は、前記双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第２の表現を選択すること（２０８－２）は、
同一の双曲空間内に存在する、前記第２の表現の前記多次元ベクトルと、前記第２の表現についての前記予測の前記多次元ベクトルとの間の差を決定すること（２０８－２１）と、
前記差に依存して距離を決定すること（２０８－２２）と、
前記距離に依存して前記第２の表現を選択すること（２０８－２３）と、
を含む、
請求項１に記載の方法。
前記第２の表現は、前記双曲空間内の多次元ベクトル、特に２次元ベクトルを含み、
前記第２の表現を選択すること（２０８－２）は、
同一の双曲空間内に存在する、前記第２の表現の前記多次元ベクトルと、前記第２の表現についての前記予測の前記多次元ベクトルとの間の差を決定すること（２０８－２１）と、
前記差に依存して距離を決定すること（２０８－２２）と、
前記距離に依存して前記第２の表現を選択すること（２０８－２３）と、
を含む、
請求項１に記載の方法。
【請求項3】
前記距離を決定すること（２０８－２２）は、
前記第２の表現についての前記予測の前記多次元ベクトルを連結すること（２０８－２２１）と、
前記第２の表現の前記多次元ベクトルを連結すること（２０８－２２２）と、
前記第２の表現についての前記予測の連結された多次元ベクトルに依存して、かつ、前記第２の表現の連結された多次元ベクトルに依存して前記距離を決定すること（２０８－２２３）と、
を含む、
請求項２に記載の方法。
前記第２の表現についての前記予測の前記多次元ベクトルを連結すること（２０８－２２１）と、
前記第２の表現の前記多次元ベクトルを連結すること（２０８－２２２）と、
前記第２の表現についての前記予測の連結された多次元ベクトルに依存して、かつ、前記第２の表現の連結された多次元ベクトルに依存して前記距離を決定すること（２０８－２２３）と、
を含む、
請求項２に記載の方法。
【請求項4】
前記第１の表現を決定すること（２０６－１）は、前記第１の集合のベクトルをそれぞれ異なる双曲空間にマッピングすること（２０６－２）を含む、
請求項１に記載の方法。
請求項１に記載の方法。
【請求項5】
複数の双曲空間のうちの少なくとも１つの双曲空間の曲率が、前記関係によって定義される、
請求項１に記載の方法。
請求項１に記載の方法。
【請求項6】
複数の双曲空間のうちの少なくとも１つの双曲空間における回転の程度が、前記関係によって定義される、
請求項１に記載の方法。
請求項１に記載の方法。
【請求項7】
複数の双曲空間のうちの少なくとも１つの双曲空間における並進の程度が、前記関係によって定義される、
請求項１に記載の方法。
請求項１に記載の方法。
【請求項8】
前記方法は、前記関係を提供すること（２０４）を含み、
前記関係は、双曲空間ごとに、回転の程度、並進の程度、及び／又は、前記双曲空間の曲率を定義する１つのパラメータを含む、
請求項１に記載の方法。
前記関係は、双曲空間ごとに、回転の程度、並進の程度、及び／又は、前記双曲空間の曲率を定義する１つのパラメータを含む、
請求項１に記載の方法。
【請求項9】
前記方法は、前記知識グラフのエンティティの埋め込みの表現の集合を決定すること（２０６）を含み、
前記埋め込みの表現の集合を決定すること（２０６）は、
それぞれの埋め込みを多次元ベクトルの集合に分割すること（２０６－１）と、
特に前記関係に依存して、それぞれの集合のベクトルをそれぞれの表現の多次元ベクトルにマッピングすること（２０６－２）と、
を含む、
請求項１に記載の方法。
前記埋め込みの表現の集合を決定すること（２０６）は、
それぞれの埋め込みを多次元ベクトルの集合に分割すること（２０６－１）と、
特に前記関係に依存して、それぞれの集合のベクトルをそれぞれの表現の多次元ベクトルにマッピングすること（２０６－２）と、
を含む、
請求項１に記載の方法。
【請求項10】
前記方法は、
前記関係に依存して前記第１のエンティティを前記第１の表現にマッピングするように、
前記関係に依存して前記第２のエンティティを前記第２の表現にマッピングするように、
前記関係に依存して前記双曲空間内の前記第１の表現を回転及び並進させるように、並びに、
前記第２の表現についての前記予測に依存してかつ前記第２の表現に依存して前記第２のエンティティを決定するように、又は、モデルによって前記第２のエンティティを選択するように、
モデルをトレーニングすることを含む、
請求項１に記載の方法。
前記関係に依存して前記第１のエンティティを前記第１の表現にマッピングするように、
前記関係に依存して前記第２のエンティティを前記第２の表現にマッピングするように、
前記関係に依存して前記双曲空間内の前記第１の表現を回転及び並進させるように、並びに、
前記第２の表現についての前記予測に依存してかつ前記第２の表現に依存して前記第２のエンティティを決定するように、又は、モデルによって前記第２のエンティティを選択するように、
モデルをトレーニングすることを含む、
請求項１に記載の方法。
【請求項11】
前記方法は、
前記リンクに依存して技術的システム（１０６）、特に物理的システム、好ましくはコンピュータ制御式の機械、特にロボットシステム、車両、家電製品、電動工具、製造機械、パーソナルアシスタント若しくはアクセス制御システムを制御するための制御信号（１１２）を決定すること（２１２）、又は、
特にセンサデータ（１１４）におけるオブジェクトの存在を検出するために、前記センサデータ（１１４）を分類すること（２１２）、又は、
前記リンクに依存して、好ましくは交通標識、路面、歩行者、車両に関する前記センサデータ（１１４）に対するセマンティックセグメンテーションを実施すること（２１２）、又は、
前記リンクに依存して、好ましくはセンサ（１０８）からのデータ（１１４）、特にスカラー時系列データを分析すること、又は、
前記リンクに依存して技術的システム（１０６）の状態を決定すること（２１２）
を含む、
請求項１に記載の方法。
前記リンクに依存して技術的システム（１０６）、特に物理的システム、好ましくはコンピュータ制御式の機械、特にロボットシステム、車両、家電製品、電動工具、製造機械、パーソナルアシスタント若しくはアクセス制御システムを制御するための制御信号（１１２）を決定すること（２１２）、又は、
特にセンサデータ（１１４）におけるオブジェクトの存在を検出するために、前記センサデータ（１１４）を分類すること（２１２）、又は、
前記リンクに依存して、好ましくは交通標識、路面、歩行者、車両に関する前記センサデータ（１１４）に対するセマンティックセグメンテーションを実施すること（２１２）、又は、
前記リンクに依存して、好ましくはセンサ（１０８）からのデータ（１１４）、特にスカラー時系列データを分析すること、又は、
前記リンクに依存して技術的システム（１０６）の状態を決定すること（２１２）
を含む、
請求項１に記載の方法。
【請求項12】
知識グラフ内のリンクを決定するための装置（１００）であって、
前記装置（１００）は、
少なくとも１つのプロセッサ（１０２）と、
少なくとも１つのストレージ（１０４）と、
を備え、
前記少なくとも１つのプロセッサ（１０２）は、前記少なくとも１つのプロセッサ（１０２）によって実行された場合に、請求項１に記載の方法を前記少なくとも１つのプロセッサ（１０２）に実施させるための命令を実行するように構成されており、
前記少なくとも１つのストレージ（１０４）は、前記命令を格納するように構成されている
ことを特徴とする、装置（１００）。
前記装置（１００）は、
少なくとも１つのプロセッサ（１０２）と、
少なくとも１つのストレージ（１０４）と、
を備え、
前記少なくとも１つのプロセッサ（１０２）は、前記少なくとも１つのプロセッサ（１０２）によって実行された場合に、請求項１に記載の方法を前記少なくとも１つのプロセッサ（１０２）に実施させるための命令を実行するように構成されており、
前記少なくとも１つのストレージ（１０４）は、前記命令を格納するように構成されている
ことを特徴とする、装置（１００）。
【請求項13】
コンピュータによって実行された場合に、請求項１に記載の方法のステップを前記コンピュータに実施させるためのコンピュータ可読命令を含むコンピュータプログラム。
【外国語明細書】