PairRE : Intégration de graphes de connaissances par des vecteurs de relations appariés

Les méthodes d’embedding de graphes de connaissances basées sur la distance obtiennent des résultats prometteurs sur la tâche de prédiction de liens, deux thèmes étant particulièrement étudiés : d’une part, la capacité à traiter des relations complexes telles que N-vers-1, 1-vers-N et N-vers-N ; d’autre part, la capacité à encoder diverses structures relationnelles, telles que la symétrie/antisymétrie. Toutefois, les méthodes existantes échouent à résoudre simultanément ces deux problèmes, entraînant des résultats insatisfaisants. Pour atténuer ce défaut, nous proposons PairRE, un modèle qui utilise des paires de vecteurs pour représenter chaque relation. Ces paires de vecteurs permettent une adaptation dynamique de la marge dans la fonction de perte, afin de mieux s’adapter aux relations complexes. En outre, PairRE est capable d’encoder trois types importants de motifs relationnels : symétrie/antisymétrie, relation inverse et composition. Grâce à des contraintes simples imposées aux représentations relationnelles, PairRE peut également encoder des sous-relations. Des expériences sur des benchmarks de prédiction de liens démontrent les capacités clés proposées par PairRE. En outre, nous établissons une nouvelle meilleure performance (state-of-the-art) sur deux jeux de données de graphes de connaissances du défi Open Graph Benchmark, particulièrement exigeant.