多重層パーセプトロンについて

Question

人工知能について質問いたします。
webソースからテキストを抽出してそのテキスト中のキーワード間の関連性をRDFに保存する仕組みを人工知能の見地から実装しようとする場合
その手の論文を読んでいたら多重層パーセプトロンというものとラベル付けという考え方が載っていました。
しかし私はこの分野では素人なので全くピンと来ません。
具体的にこれらの技術はどのように上記の実装のために使われているのでしょうか？

Answer 1

RDFとの関連は詳しく知りませんが、多重層パーセプトロンはキーワード間の関係性を示すために有効であると思われます。

例えば以下のような構成のテキストがあったとします。

タイトル
・キーワード１
・キーワード２
・キーワード３

入力にキーワード、出力にタイトルとして、たくさん学習した**ニューラルネットワーク（多重層パーセプトロン）**は、
キーワードからタイトルを推定する事ができます。

キーワード１\
キーワード２-o->タイトル
キーワード３/

(例)
日本 \
首相 -o->安倍
2015  /

計算上ではニューロンの入出力はすべて数字ですので、実際の計算は以下のようなものになります。

0.3 \
0.5 -o->1.0
0.9  /

イメージになりますが、この数字と文字列の関連をつけてあげる事をラベル付けと言います。

（入力）
0.3 = 日本
0.5 = 首相
0.9 = 2015
（出力）
1.0 = 安倍

今回はイメージだけで説明したので、
RDF関連の実際の処理を説明するには多少語弊があると思われますのでご注意ください。

Answer 2

自分も専門外ですが…

まず、パーセプトロンというのがどういうものかについては、こちらの説明が分かりやすいように思います。
ニューラルネットワーク
より詳しい説明としては
ニューラルネットワーク入門

webソースからテキストを抽出してそのテキスト中のキーワード間の関連性をRDFに保存する仕組みを人工知能の見地から実装しようとする場合…
具体的にこれらの技術はどのように上記の実装のために使われているのでしょうか？

「その手の論文」には、やたらと行列式が載っていたと思いますが、パーセプトロンに代表される「ニューラルネットワーク」は神経回路網の特性を数学的にモデル化したものなので、入力も出力もベクトルとして表されます。

ですから、テキストデータであれ、画像や音声データであれ、解析対象のデータを適切な形（次元）のベクトルで表し、期待される出力とセットで繰り返しシステムに与えることにより事前に「学習」させておくと、特定の入力に対して もっともらしい出力 が得られる様になります。

残念ながら具体的な実装方法について詳しくは分からないのですが、どのような分野に適用するのかによっても違ってきますし、まだ研究途上の分野で新たな論文が出続けている状況でもありますので、以下のようなキーワード＋知りたい分野でググッて、更に情報を収集されてはいかがでしょうか。

《 基本となる検索キーワード 》

• ニューラルネットワーク
• (機械)学習
• パターン認識
• データマイニング
• 連想記憶
• 合成

これらのキーワードの２つか３つ（順序を変えても検索結果が変わってくる）と、知りたい分野（たとえば自然言語、手書き文字、画像、音声など）を組み合わせると、難解な論文から初心者向けの入門まで、色々な情報が得られます。

「キーワード間の関連性をRDFに保存する仕組み」とは直接関係ないですが、青空文庫のデータを使って、遅ればせながらword2vecと戯れてみた みたいな記事もありますので、関心をお持ちの分野がありましたら、難しい理論は後回しにして、とりあえず触ってみるというのも理解を深めるための良いアプローチ方法だと思います。