KGRefiner: Knowledge Graph Refinement zur Verbesserung der Genauigkeit von Translations-Link-Vorhersagemethoden

Die Link-Vorhersage ist die Aufgabe, fehlende Beziehungen zwischen Entitäten in einem Wissensgraphen vorherzusagen. In jüngeren Arbeiten zur Link-Vorhersage wurde versucht, die Genauigkeit der Vorhersage durch die Verwendung einer größeren Anzahl von Schichten in der neuronalen Netzarchitektur zu steigern. In diesem Paper stellen wir eine neuartige Methode zur Verfeinerung des Wissensgraphen vor, sodass die Link-Vorhersage mit relativ schnellen translationalen Modellen genauer durchgeführt werden kann. Translative Link-Vorhersagemodelle wie TransE, TransH und TransD weisen eine geringere Komplexität im Vergleich zu tiefen Lernansätzen auf. Unsere Methode nutzt die Hierarchie von Beziehungen und Entitäten im Wissensgraphen, um Entitätsinformationen als Hilfsknoten in den Graphen einzufügen und diese mit den Knoten zu verbinden, die diese Informationen in ihrer Hierarchie enthalten. Unsere Experimente zeigen, dass unsere Methode die Leistung translationaler Link-Vorhersagemodelle signifikant in den Metriken H@10, MR und MRR steigern kann.