Apprentissage de représentations de graphes de connaissances sensibles à la hiérarchie pour la prédiction de liens

L’embedding des graphes de connaissances, qui vise à représenter les entités et les relations sous forme de vecteurs à faible dimension (ou matrices, tenseurs, etc.), s’est révélé être une technique puissante pour prédire les liens manquants dans les graphes de connaissances. Les modèles d’embedding existants se concentrent principalement sur la modélisation de schémas relationnels tels que la symétrie/antisymétrie, l’inversion et la composition. Toutefois, de nombreuses approches actuelles échouent à modéliser les hiérarchies sémantiques, courantes dans les applications du monde réel. Pour relever ce défi, nous proposons un nouveau modèle d’embedding des graphes de connaissances — nommé HAKE (Hierarchy-Aware Knowledge Graph Embedding) — qui représente les entités dans un système de coordonnées polaires. Ce modèle s’inspire du fait que les cercles concentriques dans un système de coordonnées polaires peuvent naturellement refléter une structure hiérarchique. Plus précisément, la coordonnée radiale permet de modéliser les entités à différents niveaux de la hiérarchie, les entités ayant une plus petite valeur radiale étant attendues à des niveaux plus élevés ; la coordonnée angulaire permet de distinguer les entités situées au même niveau hiérarchique, celles-ci étant attendues avoir des rayons similaires mais des angles différents. Les expérimentations montrent que HAKE permet de modéliser efficacement les hiérarchies sémantiques présentes dans les graphes de connaissances, et surpasse significativement les méthodes d’état de l’art existantes sur des jeux de données standards pour la tâche de prédiction de liens.