Transformations relationnelles orthogonales avec modélisation du contexte graphique pour l'intégration de graphes de connaissances

Les embeddings de graphes de connaissances basés sur la distance de translation ont connu des améliorations progressives sur la tâche de prédiction de liens, allant de TransE jusqu’au dernier état de l’art, RotatE. Toutefois, les prédictions de type N-1, 1-N et N-N restent encore des défis majeurs. Dans ce travail, nous proposons une nouvelle approche fondée sur la distance de translation pour la prédiction de liens dans les graphes de connaissances. Notre méthode repose sur deux axes principaux : premièrement, nous étendons RotatE du domaine complexe à deux dimensions vers un espace de haute dimension en utilisant des transformations orthogonales, afin d’améliorer la capacité de modélisation des relations. Deuxièmement, nous modélisons explicitement le contexte du graphe à l’aide de deux représentations de contexte orientées. Ces représentations sont intégrées dans la fonction de score basée sur la distance afin d’évaluer la plausibilité des triples pendant l’entraînement et l’inférence. L’approche proposée améliore efficacement la précision de prédiction dans les cas difficiles de type N-1, 1-N et N-N pour la tâche de prédiction de liens dans les graphes de connaissances. Les résultats expérimentaux montrent qu’elle obtient de meilleures performances sur deux jeux de données de référence par rapport au modèle de référence RotatE, en particulier sur le jeu de données FB15k-237, qui comporte un grand nombre de nœuds à degré d’entrée élevé.