KBGAN : Apprentissage antagoniste pour les plongements de graphes de connaissances

Nous présentons KBGAN, un cadre d'apprentissage par réseaux antagonistes génératifs (GANs) visant à améliorer les performances de nombreux modèles existants d'embedding de graphes de connaissances. Étant donné que les graphes de connaissances ne contiennent généralement que des faits positifs, l'échantillonnage de contre-exemples négatifs utiles est une tâche non triviale. La méthode conventionnelle consiste à remplacer l'entité tête ou queue d'un fait par une entité sélectionnée uniformément au hasard pour générer des faits négatifs, mais la majorité des faits négatifs ainsi générés peuvent être facilement distingués des faits positifs et apportent peu à l'entraînement. Inspirés par les réseaux antagonistes génératifs (GANs), nous utilisons un modèle d'embedding de graphes de connaissances comme générateur de contre-exemples négatifs pour aider à l'entraînement du modèle souhaité, qui joue le rôle du discriminateur dans les GANs. Ce cadre est indépendant de la forme concrète du générateur et du discriminateur, et peut donc utiliser une large variété de modèles d'embedding de graphes de connaissances comme éléments constitutifs. Dans nos expériences, nous entraînons adversairement deux modèles basés sur la traduction, TransE et TransD, chacun avec l'aide d'un des deux modèles basés sur la probabilité, DistMult et ComplEx. Nous évaluons les performances de KBGAN sur la tâche de prédiction de liens en utilisant trois jeux de données pour le complétion des bases de connaissances : FB15k-237, WN18 et WN18RR. Les résultats expérimentaux montrent que l'entraînement adversarial améliore considérablement les performances des modèles cibles d'embedding sous diverses configurations.