[论文解读] pyRDF2Vec: A Python Implementation and Extension of RDF2Vec

Gilles Vandewiele, Bram Steenwinckel+2 more|arXiv (Cornell University)|May 4, 2022

Computational Physics and Python Applications被引用 4

一句话总结

本论文介绍了 pyRDF2Vec，即 RDF2Vec 算法的 Python 移植与扩展实现，用于学习知识图嵌入。它通过提供优化的游走提取、集成的扩展功能以及生产级工具链，使数据科学家能够轻松将 RDF2Vec 集成到机器学习流水线中，显著提升了原始基于 Java 的版本在可用性和可扩展性方面的表现。

ABSTRACT

This paper introduces pyRDF2Vec, a Python software package that reimplements the well-known RDF2Vec algorithm along with several of its extensions. By making the algorithm available in the most popular data science language, and by bundling all extensions into a single place, the use of RDF2Vec is simplified for data scientists. The package is released under a MIT license and structured in such a way to foster further research into sampling, walking, and embedding strategies, which are vital components of the RDF2Vec algorithm. Several optimisations have been implemented in exttt{pyRDF2Vec} that allow for more efficient walk extraction than the original algorithm. Furthermore, best practices in terms of code styling, testing, and documentation were applied such that the package is future-proof as well as to facilitate external contributions.

研究动机与目标

• 解决由于原始实现基于 Java 而导致 RDF2Vec 在数据科学工作流中采用率有限的问题，因为 Python 在该领域更为流行。
• 通过提供原生 Python、文档齐全且可扩展的软件包，简化 RDF2Vec 在数据科学流水线中的集成。
• 将多个现有的 RDF2Vec 扩展统一到一个单一、连贯的实现中，以促进实验和未来研究。
• 通过算法和架构优化，提升大规模知识图的游走提取性能与可扩展性。
• 通过自动化测试、持续集成和全面文档，确保长期可维护性并促进社区贡献。

提出的方法

• 在 Python 中重新实现原始 RDF2Vec 算法，以契合主流数据科学生态系统。
• 将多个已发表的 RDF2Vec 扩展（如上下文感知游走采样和实体类型感知游走）整合到一个模块化代码库中。
• 通过高效的图遍历技术和数据结构优化游走提取，提升性能，超越原始 Java 实现。
• 采用现代软件工程实践：持续集成（CI）、持续交付（CD）、持续测试（CT），以及通过 mypy 实现静态类型检查。
• 使用 Poetry 进行依赖管理，使用 Sphinx 实现自动化的、版本化的文档发布，托管于 Read the Docs。
• 应用标准化的代码风格并进行全面的单元测试（使用 pytest），以确保代码质量并促进外部贡献。

实验结果

研究问题

• RQ1 如何有效在 Python 中重新实现 RDF2Vec 算法，以提升数据科学家的可访问性？
• RQ2 通过算法和架构优化，游走提取的性能与可扩展性可提升到何种程度？
• RQ3 将多个 RDF2Vec 扩展统一到单一包中，能否提升研究可复现性，并推动嵌入策略的创新？
• RQ4 现代软件工程实践在确保长期可维护性和社区贡献方面的有效性如何？
• RQ5 pyRDF2Vec 在下游研究和应用中的实际影响与使用情况如何？

主要发现

• pyRDF2Vec 已获得 17,500 次下载和 146 个 GitHub 星标，表明其在研究社区中获得了广泛采用。
• 该软件包已被 Google Scholar 上的 31项已发表研究使用，证明其已集成到包括链接预测、语义相似性以及可解释人工智能在内的多样化研究领域。
• 多项研究将 pyRDF2Vec 用作基线或对比方法，涵盖新闻标签推荐、蛋白质相似性建模以及靶点-疾病关联预测等任务。
• 持续集成、持续测试和文档实践的采用，显著提升了系统的稳定性、可靠性以及贡献者的可访问性。
• Poetry 和 Sphinx 的采用简化了依赖管理并实现了文档的自动化更新，增强了长期可维护性。
• 游走提取的性能提升使 pyRDF2Vec 适用于大规模知识图，能够在真实世界的数据科学流水线中高效实现嵌入学习。