Apprentissage de représentation avec des chemins relationnels ordonnés pour la complétion des graphes de connaissances

L'incomplétude constitue un problème courant dans les graphes de connaissances (KG) existants, et la complétion de ces derniers, dont l'objectif est de prédire des liens entre entités, demeure un défi. La plupart des méthodes actuelles de complétion de KG ne prennent en compte que les relations directes entre nœuds, négligeant ainsi les chemins relationnels qui contiennent pourtant des informations utiles pour la prédiction des liens. Plus récemment, certaines méthodes ont intégré les chemins relationnels dans leur approche, mais elles accordent une attention insuffisante à l'ordre des relations au sein de ces chemins, qui joue un rôle fondamental dans le raisonnement. Par ailleurs, ces modèles basés sur les chemins ignorent généralement les contributions non linéaires des caractéristiques des chemins pour la prédiction des liens. Pour surmonter ces limites, nous proposons une nouvelle méthode de complétion de KG nommée OPTransE. Contrairement aux approches antérieures qui plongent les deux entités d'une relation dans un même espace latent, notre méthode projette l'entité source et l'entité cible de chaque relation dans des espaces distincts, afin de préserver l'ordre des relations au sein des chemins. Par ailleurs, nous introduisons une stratégie d'agrégation (pooling) pour extraire des caractéristiques non linéaires et complexes provenant de différents chemins, ce qui améliore significativement la performance de la prédiction des liens. Les résultats expérimentaux sur deux jeux de données de référence démontrent que le modèle proposé OPTransE surpasse les méthodes de pointe actuelles.