Lernen von hierarchiebewussten Wissensgraphen-Embeddings zur Link-Vorhersage

Wissensgraph-Embedding, das darauf abzielt, Entitäten und Relationen als niedrigdimensionale Vektoren (oder Matrizen, Tensoren usw.) darzustellen, hat sich als eine leistungsstarke Technik zur Vorhersage fehlender Verbindungen in Wissensgraphen erwiesen. Bestehende Modelle für Wissensgraph-Embedding konzentrieren sich hauptsächlich auf die Modellierung von Relationenmustern wie Symmetrie/Antisymmetrie, Inversion und Komposition. Allerdings können viele bestehende Ansätze keine semantischen Hierarchien erfassen, die in realen Anwendungen weit verbreitet sind. Um dieser Herausforderung zu begegnen, schlagen wir ein neuartiges Modell für Wissensgraph-Embedding vor – das sogenannte Hierarchy-Aware Knowledge Graph Embedding (HAKE) –, das Entitäten in das Polarkoordinatensystem abbildet. HAKE wird durch die Beobachtung motiviert, dass konzentrische Kreise im Polarkoordinatensystem die Hierarchiestruktur natürlicherweise widerspiegeln können. Genauer gesagt dient die radiale Koordinate dazu, Entitäten auf unterschiedlichen Hierarchieebenen zu modellieren, wobei Entitäten mit kleineren Radien höheren Hierarchieebenen zugeordnet sein sollen; die Winkelkoordinate dient hingegen der Unterscheidung von Entitäten auf derselben Hierarchieebene, die voraussichtlich ähnliche Radien, jedoch unterschiedliche Winkel aufweisen sollen. Experimente zeigen, dass HAKE die semantischen Hierarchien in Wissensgraphen effektiv modellieren kann und signifikant gegenüber bestehenden State-of-the-Art-Methoden auf Benchmark-Datensätzen für die Verbindungsvorhersage abschneidet.