Modélisation de données relationnelles avec des réseaux de neurones convolutionnels sur graphes

Les graphes de connaissances permettent une grande variété d'applications, notamment la réponse aux questions et la recherche d'informations. Malgré les efforts considérables déployés pour leur création et leur maintenance, même les plus grands (par exemple, Yago, DBPedia ou Wikidata) restent incomplets. Nous présentons les Réseaux de Convolutions Graphiques Relationnels (R-GCNs) et nous les appliquons à deux tâches standard de complétion de base de connaissances : la prédiction de liens (récupération des faits manquants, c'est-à-dire des triplets sujet-prédicat-objet) et la classification d'entités (récupération des attributs manquants des entités). Les R-GCNs sont apparentés à une classe récente de réseaux neuronaux opérant sur les graphes et ont été développés spécifiquement pour traiter les données hautement multi-relationnelles caractéristiques des bases de connaissances réalistes. Nous démontrons l'efficacité des R-GCNs en tant que modèle autonome pour la classification d'entités. Nous montrons également que les modèles de factorisation pour la prédiction de liens, tels que DistMult, peuvent être considérablement améliorés en les enrichissant avec un modèle encodeur pour accumuler des preuves au cours de plusieurs étapes d'inférence dans le graphe relationnel, ce qui démontre une amélioration importante de 29,8 % sur FB15k-237 par rapport à une ligne de base ne comprenant que le décodeur.