InteractE : Amélioration des embeddings de graphes de connaissances basés sur la convolution par l'augmentation des interactions entre caractéristiques

La plupart des graphes de connaissances existants souffrent d’incomplétude, ce qui peut être atténué en inférant des liens manquants à partir de faits connus. Une approche courante pour y parvenir consiste à générer des embeddings à faible dimension pour les entités et les relations, puis à les utiliser pour effectuer des inférences. ConvE, une méthode récemment proposée, applique des filtres convolutifs à des réarrangements 2D des embeddings d’entités et de relations afin de capturer des interactions riches entre leurs composants. Toutefois, le nombre d’interactions que ConvE peut modéliser reste limité. Dans cet article, nous analysons l’impact de l’augmentation du nombre d’interactions sur la performance de prédiction de liens, et nous exploitons ces observations pour proposer InteractE. InteractE repose sur trois idées clés : la permutation de caractéristiques, un nouveau schéma de réarrangement des caractéristiques, et la convolution circulaire. À travers des expérimentations étendues, nous montrons qu’InteractE surpasser les meilleures méthodes basées sur la convolution pour la prédiction de liens sur le jeu de données FB15k-237. En outre, InteractE obtient un score MRR supérieur de 9 %, 7,5 % et 23 % à ConvE respectivement sur les jeux de données FB15k-237, WN18RR et YAGO3-10. Ces résultats valident notre hypothèse centrale : l’augmentation des interactions entre caractéristiques est bénéfique pour la performance de prédiction de liens. Nous mettons à disposition le code source d’InteractE afin de favoriser la recherche reproductible.