TuckER : Factorisation de tenseurs pour l'achèvement des graphes de connaissances

Les graphes de connaissances sont des représentations structurées de faits du monde réel. Cependant, ils contiennent généralement seulement un petit sous-ensemble de tous les faits possibles. La prédiction de liens est une tâche qui consiste à inférer des faits manquants à partir de ceux existants. Nous proposons TuckER, un modèle linéaire relativement simple mais puissant basé sur la décomposition de Tucker de la représentation tensorielle binaire des triplets du graphe de connaissances. TuckER surpasses les modèles précédents d'avant-garde sur plusieurs ensembles de données standard pour la prédiction de liens, agissant ainsi comme une base solide pour des modèles plus élaborés. Nous montrons que TuckER est un modèle expressif complet, établissons des bornes suffisantes sur ses dimensions d'embedding et démontrons que plusieurs modèles linéaires introduits précédemment peuvent être considérés comme des cas particuliers de TuckER.