InteractE: Verbesserung von convolutionbasierten Knowledge Graph Embeddings durch Erhöhung der Merkmalsinteraktionen

Die meisten bestehenden Wissensgraphen leiden unter Unvollständigkeit, die durch die Inferenz fehlender Beziehungen auf Basis bekannter Fakten gemildert werden kann. Eine gängige Methode hierfür besteht darin, niedrigdimensionale Embeddings von Entitäten und Relationen zu generieren und diese zur Inferenz zu nutzen. ConvE, ein kürzlich vorgeschlagener Ansatz, wendet Faltungsfilter auf 2D-umgeformte Embeddings von Entitäten und Relationen an, um reichhaltige Wechselwirkungen zwischen deren Komponenten zu erfassen. Allerdings ist die Anzahl der erfassten Wechselwirkungen durch ConvE begrenzt. In diesem Paper analysieren wir, wie eine Erhöhung der Anzahl solcher Wechselwirkungen die Leistung bei der Link-Vorhersage beeinflusst, und nutzen unsere Beobachtungen, um InteractE vorzustellen. InteractE basiert auf drei zentralen Ideen: Feature-Permutation, einer neuartigen Feature-Umformung und zirkulärer Faltung. Durch umfangreiche Experimente zeigen wir, dass InteractE state-of-the-art-Convolutional-Link-Vorhersage-Methoden auf dem FB15k-237-Datensatz übertrifft. Zudem erzielt InteractE auf den Datensätzen FB15k-237, WN18RR und YAGO3-10 MRR-Werte, die um 9 %, 7,5 % bzw. 23 % besser sind als die von ConvE. Die Ergebnisse bestätigen unsere zentrale Hypothese: Eine Erhöhung der Merkmalswechselwirkungen ist förderlich für die Leistung bei der Link-Vorhersage. Wir stellen den Quellcode von InteractE zur Verfügung, um reproduzierbare Forschung zu fördern.