Semantic Preserving Embeddings for Generalized Graphs

A new approach to the study of Generalized Graphs as semantic data structures using machine learning techniques is presented. We show how vector representations maintaining semantic characteristics of the original data can be obtained from a given graph using neural encoding architectures and considering the topological properties of the graph. Semantic features of these new representations are tested by using some machine learning tasks and new directions on efficient link discovery, entitity retrieval and long distance query methodologies on large relational datasets are investigated using real datasets.

En este trabajo se presenta un nuevo enfoque en el contexto del aprendizaje autom'atico multi-relacional para el estudio de Grafos Generalizados. Se muestra c'omo se pueden obtener representaciones vectoriales que mantienen caracter'isticas sem'anticas del grafo original utilizando codificadores neuronales y considerando las propiedades topol'ogicas del grafo. Adem'as, se eval'uan las caracter'isticas sem'anticas capturadas por estas nuevas representaciones y se investigan nuevas metodolog'ias eficientes relacionadas con Link Discovery, Entity Retrieval y consultas a larga distancia en grandes conjuntos de datos relacionales haciendo uso de bases de datos reales.