Un modèle d'embedding basé sur un réseau de capsules pour l'achèvement et la personnalisation des recherches dans les graphes de connaissances

Dans cet article, nous présentons un modèle d'embedding nommé CapsE, qui explore l'utilisation d'un réseau de capsules pour modéliser des triplets de relations (sujet, relation, objet). Notre modèle CapsE représente chaque triplet sous forme de matrice à 3 colonnes, où chaque vecteur-colonne représente l'embedding d'un élément du triplet. Cette matrice à 3 colonnes est ensuite alimentée à une couche de convolution où plusieurs filtres sont appliqués pour générer différentes cartes de caractéristiques. Ces cartes de caractéristiques sont reconstruites en capsules correspondantes, qui sont ensuite acheminées vers une autre capsule pour produire un vecteur continu. La longueur de ce vecteur est utilisée pour mesurer le score de plausibilité du triplet. Notre modèle CapsE proposé obtient des performances supérieures aux modèles d'embedding précédemment considérés comme les meilleurs dans le domaine pour l'achèvement des graphes de connaissances sur deux jeux de données de référence WN18RR et FB15k-237, et surpass les bases solides de personnalisation des recherches sur SEARCH17.