Embeddings de Graphes de Connaissances Hyper-réseaux

Les graphes de connaissances sont des représentations graphiques de grandes bases de données de faits, qui souffrent généralement d'incomplétude. L'inférence des relations manquantes (liens) entre les entités (nœuds) est la tâche de prédiction de liens. Une approche récente et à l'état de l'art pour la prédiction de liens, ConvE, met en œuvre un réseau neuronal convolutif pour extraire des caractéristiques à partir de vecteurs concaténés de sujets et de relations. Bien que les résultats soient impressionnants, la méthode est peu intuitive et mal comprise. Nous proposons une architecture de hyper-réseaux qui génère des filtres convolutifs simplifiés spécifiques aux relations, permettant (i) d'obtenir des performances supérieures à celles de ConvE et de toutes les approches précédentes sur des jeux de données standards ; et (ii) d'être formulée comme une factorisation tensorielle, ce qui la place au sein d'une famille bien établie de modèles de factorisation pour la prédiction de liens. Nous démontrons ainsi que la convolution offre simplement un moyen computationnel pratique d'introduire la parcimonie et le partage des paramètres pour trouver un compromis efficace entre l'expressivité non-linéaire et le nombre de paramètres à apprendre.