Beziehungsbewusste Ensemble-Lernverfahren für Wissensgraphen-Embedding

Die Einbettung von Wissensgraphen (Knowledge Graph Embedding, KG-Embedding) ist eine zentrale Aufgabe im Bereich der natürlichen Sprachverarbeitung, und verschiedene Methoden wurden vorgeschlagen, um semantische Muster auf unterschiedliche Weise zu erforschen. In diesem Paper schlagen wir vor, durch eine relationenbewusste Nutzung bestehender Methoden eine Ensemble-Lernstrategie zu entwickeln. Die Exploration dieser Semantik mittels relationenbewusstem Ensemble führt jedoch zu einem deutlich größeren Suchraum im Vergleich zu herkömmlichen Ensemble-Methoden. Um dieses Problem zu lösen, stellen wir einen divide-search-combine-Algorithmus namens RelEns-DSC vor, der die Ensemble-Gewichte für jede Relation unabhängig sucht. Dieser Algorithmus weist denselben Rechenaufwand wie allgemeine Ensemble-Methoden auf, erzielt jedoch eine deutlich bessere Leistung. Experimentelle Ergebnisse auf Benchmark-Datensätzen belegen die Effektivität des vorgeschlagenen Ansatzes bei der effizienten Suche nach relationenbewussten Ensemble-Gewichten und die Erreichung von state-of-the-art-Ergebnissen in der Wissensgrapheneinbettung. Der Quellcode ist öffentlich unter https://github.com/LARS-research/RelEns verfügbar.