تعزيز وتuning تمثيلات الرسم البياني المعرفي

تعد طرق تمثيل الرسوم البيانية للمعرفة من بين أكثر الطرق نجاحًا في التنبؤ بالروابط في الرسوم البيانية للمعرفة، أي مهمة إكمال مجموعة غير كاملة من الحقائق العلائقية. أحد عيوب هذه النماذج هو حساسيتها الشديدة لمعلمات النموذج الفائقة، وخاصة المُعَدِّلات (regularizers)، التي يجب ضبطها بشكل مكثف للوصول إلى أداء جيد [Kadlec et al., 2017]. نقترح طريقة كفاءة لضبط المعلمات الفائقة على نطاق واسع من خلال تفسير هذه النماذج في إطار احتمالي. بعد تعزيز النموذج الذي يُدخِل معلمات فائقة لكل كيان، نستخدم نهج التوقع الأقصى المتغير (variational expectation-maximization) لضبط آلاف هذه المعلمات الفائقة مع تكلفة إضافية قليلة. نهجنا لا يتأثر بتفاصيل النموذج ويؤدي إلى تحقيق مستوى جديد من الدقة في التنبؤ بالروابط على بيانات المعايير القياسية.