NePTuNe : Réseau Tucker alimenté par un réseau neuronal pour la complétion des graphes de connaissances

Les graphes de connaissances relient des entités par des relations afin de représenter de manière structurée des faits du monde réel. Toutefois, ils sont souvent incomplets, car ils s'appuient uniquement sur une faible fraction des faits potentiellement plausibles. La tâche de complétion des graphes de connaissances par prédiction de liens vise à surmonter ce défi en inférant des faits manquants, représentés sous la forme de liens entre entités. Les approches actuelles de prédiction de liens exploitent la factorisation de tenseurs et/ou l'apprentissage profond. Les méthodes de factorisation s'entraînent et se déployent rapidement grâce à leur faible nombre de paramètres, mais présentent une expressivité limitée en raison de leur approche linéaire fondamentale. Les méthodes d'apprentissage profond sont plus expressives, mais aussi plus coûteuses en termes de calcul et sujettes au surapprentissage en raison de leur grand nombre de paramètres ajustables. Nous proposons NePTuNe, un nouveau modèle hybride de prédiction de liens qui combine l'expressivité des modèles profonds avec la rapidité et la faible taille des modèles linéaires. Nous démontrons que NePTuNe atteint des performances de pointe sur le jeu de données FB15K-237 et des performances quasi-état-de-l'art sur le jeu de données WN18RR.