PairRE: Wissensgraphen-Embeddings mittels geparter Relationsvektoren

Abstandsbasierende Verfahren zur Einbettung von Wissensgraphen zeigen vielversprechende Ergebnisse beim Aufgabenfeld der Link-Vorhersage, wobei zwei Themen intensiv untersucht wurden: einerseits die Fähigkeit, komplexe Relationen wie N-zu-1, 1-zu-N und N-zu-N zu verarbeiten, andererseits die Kodierung verschiedener Relationenmuster wie Symmetrie/Antisymmetrie. Bisherige Ansätze sind jedoch nicht in der Lage, beide Herausforderungen gleichzeitig zu bewältigen, was zu unbefriedigenden Ergebnissen führt. Um dieses Problem zu mildern, schlagen wir PairRE vor, ein Modell, das für jede Relation ein Paar von Vektoren verwendet. Diese Paarrepräsentation ermöglicht eine adaptive Anpassung des Margins in der Verlustfunktion, um komplexen Relationen besser Rechnung zu tragen. Zudem ist PairRE in der Lage, drei wichtige Relationenmuster – Symmetrie/Antisymmetrie, Inversität und Komposition – zu kodieren. Unter einfachen Einschränkungen für die Relationenrepräsentation kann PairRE zudem Unterrelationen weiter kodieren. Experimente auf gängigen Benchmarks zur Link-Vorhersage belegen die Schlüsselqualitäten von PairRE. Darüber hinaus erreicht PairRE eine neue State-of-the-Art-Leistung auf zwei anspruchsvollen Datensätzen des Open Graph Benchmark.