Graphe de connaissance, embeddings et commerce international

Date de récolte : [[2024-08-26-lundi]]

Accurate prediction of international trade flows: Leveraging knowledge graphs and their embeddings

Mon avis :

Les flux commerciaux internationaux sont souvent représentés au moyen d'un graphe de connaissance (KG), et les modèles gravitaires sont utilisés pour modéliser et prédire ces flux. Les triplets du KG sont ensuite embeddés. Un modèle TransE (translational space embedding model) est entraîné, "with the perception that the head entity h  is close to the tail entity t embeddings through the relationship l". "The distance between two connected entities through a relationship is small since they share similar attributes". Les embeddings sont ensuite utilisés dans divers modèles de machine learning (decision trees, GNN...) Le papier avance que cette approche présente l'intérêt d'être assez explicable. L'exploration de l'espace des embeddings (comprenant les nations comme les relations entre elles) permet assez intuitivement de comprendre la structuration du commerce international, en l'analysant du point de vue d'un pays, en analysant son évolution temporelle, etc.

Citation :

Rincon-Yanez, Diego, Chahinez Ounoughi, Bassem Sellami, Tarmo Kalvet, Marek Tiits, Sabrina Senatore, and Sadok Ben Yahia. ‘Accurate Prediction of International Trade Flows: Leveraging Knowledge Graphs and Their Embeddings’. Journal of King Saud University - Computer and Information Sciences 35, no. 10 (1 December 2023): 101789. https://doi.org/10.1016/j.jksuci.2023.101789.

URL : https://doi.org/10.1016/j.jksuci.2023.101789