Machine learningNetwork science

Analyse pondérée de graphes de connaissances

L'analyse pondérée de graphes de connaissances étend les méthodes standards de graphes de connaissances en attribuant des poids numériques — tels que des scores de confiance, des fréquences de co-occurrence ou des forces de relation — aux arêtes entre les entités. Ces poids permettent aux analystes de prioriser les triplets de haute confiance, de trouver les chemins les plus influents et de calculer une structure de centralité et de communauté tenant compte des poids dans de grandes bases de connaissances structurées.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Sources

  1. Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., Melo, G., Gutierrez, C., Kirrane, S., Gayo, J. E. L., Navigli, R., Neumaier, S., Ngomo, A. N., Polleres, A., Rashid, S. M., Rula, A., Schmelzeisen, L., Sequeda, J., Staab, S., & Zimmermann, A. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4), 1–37. DOI: 10.1145/3447772
  2. Wang, Q., Zhang, F., Liu, Z., & Sun, M. (2017). Knowledge Graph Embedding by Translating on Hyperplanes. In Proceedings of the AAAI Conference on Artificial Intelligence, 28(1). link

Comment citer cette page

ScholarGate. (2026, June 3). Weighted Knowledge Graph Analysis (Weight-Aware Structural and Semantic Network Analysis). ScholarGate. https://scholargate.app/fr/network-analysis/weighted-knowledge-graph-analysis

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateWeighted Knowledge Graph Analysis (Weighted Knowledge Graph Analysis (Weight-Aware Structural and Semantic Network Analysis)). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/weighted-knowledge-graph-analysis · Jeu de données : https://doi.org/10.5281/zenodo.20539026