TuckER: Tensorfaktorisierung für die Vervollständigung von Wissensgraphen

Wissensgraphen sind strukturierte Darstellungen von Fakten der realen Welt. Sie enthalten jedoch in der Regel nur einen kleinen Teil aller möglichen Fakten. Die Link-Vorhersage ist die Aufgabe, fehlende Fakten auf Grundlage vorhandener zu inferieren. Wir schlagen TuckER vor, ein relativ einfaches, aber leistungsfähiges lineares Modell, das auf der Tucker-Zerlegung der binären Tensor-Darstellung von Wissensgraph-Tripeln basiert. TuckER übertrifft bei Standard-Link-Vorhersagedatensätzen die bisher besten Modelle und dient als eine starke Baseline für komplexere Modelle. Wir zeigen, dass TuckER ein vollständig ausdrucksfähiges Modell ist, leiten hinreichende Schranken für seine Einbettungsdimensionen ab und demonstrieren, dass mehrere früher eingeführte lineare Modelle als Spezialfälle von TuckER betrachtet werden können.