LineaRE: Einfach aber leistungsstarkes Wissensgraphen-Embedding für die Link-Vorhersage

Die Aufgabe der Link-Vorhersage in Wissensgraphen besteht darin, fehlende Beziehungen zwischen Entitäten vorherzusagen. Wissensgraph-Embedding, das darauf abzielt, Entitäten und Relationen eines Wissensgraphen als niedrigdimensionale Vektoren in einem kontinuierlichen Vektorraum darzustellen, hat eine vielversprechende Vorhersageleistung erzielt. Wenn ein Embedding-Modell möglichst viele verschiedene Arten von Verbindlichkeitsmustern und Abbildungseigenschaften von Relationen erfassen kann, verspricht dies potenziell zusätzliche Vorteile für Aufgaben der Link-Vorhersage. In diesem Artikel stellen wir ein neuartiges Embedding-Modell namens LineaRE vor, das in der Lage ist, vier Arten von Verbindlichkeitsmustern (nämlich Symmetrie, Antisymmetrie, Inversion und Komposition) sowie vier Arten von Abbildungseigenschaften von Relationen (nämlich Eins-zu-Eins, Eins-zu-Viele, Viele-zu-Eins und Viele-zu-Viele) zu modellieren. Konkret betrachten wir das Wissensgraph-Embedding als eine einfache lineare Regressionsaufgabe, bei der eine Relation als lineare Funktion zweier niedrigdimensionaler, entitätsrepräsentierender Vektoren mit zwei Gewichtsvektoren und einem Biasvektor modelliert wird. Da die Vektoren in einem reellen Zahlenraum definiert sind und die Bewertungsfunktion des Modells linear ist, ist unser Modell einfach und skalierbar auf große Wissensgraphen. Experimentelle Ergebnisse auf mehreren weit verbreiteten realen Datensätzen zeigen, dass das vorgeschlagene LineaRE-Modell bestehende state-of-the-art-Modelle für die Link-Vorhersage erheblich übertrifft.