التمثيلات الرسومية المعرفية ثنائية الأبعاد باستخدام الالتفاف

تنبؤ الروابط في الرسوم البيانية للمعرفة هو مهمة تنبؤ العلاقات المفقودة بين الكيانات. ركزت الدراسات السابقة في مجال تنبؤ الروابط على النماذج السطحية والسريعة التي يمكن توسيعها لتشمل رسوم بيانية للمعرفة كبيرة الحجم. ومع ذلك، فإن هذه النماذج تتعلم ميزات أقل تعبيرًا من النماذج العميقة ذات الطبقات المتعددة - مما قد يحد من الأداء. في هذا البحث، نقدم نموذج ConvE، وهو شبكة متعددة الطبقات باستخدام التفاف (Convolution) للتنبؤ بالروابط، ونبلغ عن نتائج قياسية لأدوات بيانات معترف بها عالميًا. كما نوضح أن النموذج يتميز بكفاءة عالية في المعلمات، حيث يحقق نفس الأداء الذي حققه DistMult و R-GCN بمعدل 8 أضعاف و 17 ضعفًا أقل من المعلمات. تشير تحليلاتنا إلى أن النموذج فعال بشكل خاص في تمثيل العقد ذات الدرجة الواردة المرتفعة - وهي شائعة في الرسوم البيانية المعقدة والمترابطة بشكل كبير مثل Freebase و YAGO3.لقد لوحظ أيضًا أن مجموعتي البيانات WN18 و FB15k تعانيان من تسرب مجموعة الاختبار بسبب وجود علاقات عكسية من مجموعة التدريب في مجموعة الاختبار - ومع ذلك لم يتم تقدير مدى خطورة هذه المشكلة حتى الآن. وقد اكتشفنا أن هذه المشكلة شديدة الخطورة: يمكن لنموذج قائم على القواعد البسيطة تحقيق نتائج قياسية على كل من WN18 و FB15k. لضمان تقييم النماذج على مجموعات بيانات لا يمكن فيها ببساطة استغلال العلاقات العكسية لتحقيق نتائج تنافسية، نقوم بفحص وتقييم العديد من مجموعات البيانات الشائعة الاستخدام - مشتقين المتغيرات القوية عند الحاجة. ثم نجري التجارب على هذه المجموعات البيانات القوية لنموزجنا ولعدة نماذج مقترحة سابقًا، ونجدها تحقق أفضل معدل رتبة متبادلة (Mean Reciprocal Rank) في معظم مجموعات البيانات.