Vorherige bilineare Modelle für die Vervollständigung von Wissensgraphen

Bilineare Modelle sind leistungsfähige und weit verbreitete Ansätze für die Wissensgraphen-Vervollständigung (Knowledge Graph Completion, KGC). Obwohl bilineare Modelle erhebliche Fortschritte erzielt haben, konzentrieren sich diese Studien hauptsächlich auf posteriore Eigenschaften (aufgrund von Belegen, beispielsweise Symmetriemuster), während sie priorische Eigenschaften vernachlässigen. In dieser Arbeit entdecken wir eine priorische Eigenschaft namens „Gesetz der Identität“, die von bilinearen Modellen nicht erfasst werden kann und somit deren Fähigkeit beeinträchtigt, die Eigenschaften von Wissensgraphen umfassend zu modellieren. Um dieses Problem zu lösen, stellen wir eine Lösung vor, die als Unit Ball Bilinear Model (UniBi) bezeichnet wird. Dieses Modell erreicht nicht nur theoretische Überlegenheit, sondern verbessert auch die Interpretierbarkeit und Leistungsfähigkeit durch Minimierung ineffektiven Lernens unter Verwendung minimaler Einschränkungen. Experimente zeigen, dass UniBi die priorische Eigenschaft modelliert und deren Interpretierbarkeit sowie Leistungsfähigkeit bestätigt.