الاندماج التكيفي للتعلم متعدد العلاقات

ننظر إلى مشكلة تعلّم تمثيلات موزعة للعوامل والعلاقات في البيانات متعددة العلاقات بهدف التنبؤ بالروابط المفقودة. وقد أظهرت الشبكات العصبية التلافيفية مؤخرًا تفوقها في هذا المجال، حيث ساهمت في تعزيز قدرة النموذج على التعبير عن المعاني مع الحفاظ على كفاءة المعلمات. وعلى الرغم من النجاح، فإن التصميمات السابقة للتفاف (convolution) لم تتمكن من نمذجة التفاعلات الكاملة بين العوامل والعلاقات المدخلة، مما قد يحد من أداء التنبؤ بالروابط. في هذا العمل، نقدم نموذج ConvR، وهو شبكة تلافيفية متكيفة مصممة لتعظيم التفاعلات بين العوامل والعلاقات بطريقة تلافيفية. يقوم ConvR ببناء مرشحات التلافيف بشكل تكيفي من تمثيلات العلاقات، ثم يطبّق هذه المرشحات على تمثيلات العوامل لإنتاج ميزات تلافيفية. وبهذا، يمكّن ConvR من تفعيل تفاعلات غنية بين تمثيلات العوامل والعلاقات في مناطق مختلفة، وجميع الميزات التلافيفية الناتجة ستكون قادرة على التقاط هذه التفاعلات. تم تقييم ConvR على عدة مجموعات بيانات معيارية. وأظهرت النتائج التجريبية ما يلي: (1) يُظهر ConvR أداءً أفضل بشكل ملحوظ من النماذج التنافسية في معظم المقاييس وعلى جميع مجموعات البيانات؛ (2) مقارنةً بالنماذج التلافيفية الرائدة، ليس فقط يكون ConvR أكثر فعالية، بل أيضًا أكثر كفاءة. إذ يوفر زيادة قدرها 7% في متوسط الترتيب المعدّل (MRR) وزيادة قدرها 6% في مؤشر Hits@10، مع توفير 12% في مساحة تخزين المعلمات.