Relationserkennung als Nebenziel zur Verbesserung von mehr relationalen Graphdarstellungen

Das Lernen guter Repräsentationen auf mehr relationalen Graphen ist entscheidend für die Vervollständigung von Wissensbasen (Knowledge Base Completion, KBC). In dieser Arbeit schlagen wir ein neues selbstüberwachtes Trainingsziel für das Lernen von Repräsentationen auf mehr relationalen Graphen vor, indem wir einfach die Relationserkennung in das übliche 1vsAll-Ziel integrieren. Das neue Trainingsziel enthält nicht nur Terme zur Vorhersage des Subjekts und Objekts eines gegebenen Tripels, sondern auch einen Term zur Vorhersage des Relationstyps. Wir analysieren, wie dieses neue Ziel das mehr relationale Lernen in KBC beeinflusst: Experimente mit einer Vielzahl von Datensätzen und Modellen zeigen, dass die Relationserkennung die Entitätsrangfolge erheblich verbessern kann, die am häufigsten verwendete Evaluationsaufgabe für KBC. Dies führt zu einer Steigerung des MRR um 6,1 % und der Hits@1 um 9,9 % auf FB15k-237 sowie zu einer Steigerung des MRR um 3,1 % und der Hits@1 um 3,4 % auf Aristo-v4. Darüber hinaus beobachten wir, dass das vorgeschlagene Ziel besonders effektiv bei stark mehr relationalen Datensätzen ist, d.h. bei Datensätzen mit einer großen Anzahl von Prädikaten, und bessere Repräsentationen generiert, wenn größere Einbettungsgrößen verwendet werden.