Generierung kontextueller Parameter für die Link-Vorhersage in Wissensgraphen

Wir betrachten die Aufgabe der Link-Vorhersage in Wissensgraphen. Gegeben eine Frage, bestehend aus einer Quellentität und einer Relation (z. B. Shakespeare und GeborenIn), soll die wahrscheinlichste Antwortentität vorhergesagt werden (z. B. England). Moderne Ansätze behandeln dieses Problem durch das Lernen von Entitäts- und Relations-Embeddings. Allerdings beschränken sie oft die Beziehung zwischen diesen Embeddings auf eine additive Interaktion (d. h., die Embeddings werden verkettet und anschließend durch eine Folge linearer Funktionen und elementweiser nichtlinearer Transformationen verarbeitet). Wir zeigen, dass diese Art der Interaktion die Darstellungskraft erheblich einschränkt. Beispielsweise können solche Modelle Fälle nicht bewältigen, bei denen für jede Relation eine unterschiedliche Projektion der Quellentität verwendet wird. Wir schlagen vor, kontextuelle Parametererzeugung zur Überwindung dieser Einschränkung einzusetzen. Konkret betrachten wir Relationen als Kontext, in dem Quellentitäten verarbeitet werden, um Vorhersagen zu generieren, indem Relation-Embeddings dazu genutzt werden, die Parameter eines Modells zu erzeugen, das über den Quellentitäts-Embeddings operiert. Dies ermöglicht es Modellen, komplexere Wechselwirkungen zwischen Entitäten und Relationen zu repräsentieren. Wir wenden unsere Methode auf zwei bestehende Ansätze zur Link-Vorhersage an, darunter den derzeitigen Stand der Technik, wodurch signifikante Leistungssteigerungen erzielt werden und ein neuer Stand der Technik für diese Aufgabe etabliert wird. Diese Verbesserungen werden erreicht, während gleichzeitig die Konvergenzzeit um bis zu das 28-fache reduziert wird.