KGRefiner : Affinement du graphe de connaissances pour améliorer la précision des méthodes de prédiction de liens translationnels

La prédiction de liens consiste à anticiper les relations manquantes entre les entités d’un graphe de connaissances. Les travaux récents sur la prédiction de liens ont cherché à améliorer la précision de cette tâche en augmentant le nombre de couches dans les architectures de réseaux neuronaux. Dans cet article, nous proposons une nouvelle méthode visant à affiner le graphe de connaissances afin de permettre une prédiction de liens plus précise à l’aide de modèles translationnels relativement rapides. Contrairement aux approches fondées sur l’apprentissage profond, les modèles de prédiction de liens translationnels, tels que TransE, TransH et TransD, présentent une complexité moindre. Notre méthode exploite la hiérarchie des relations et des entités présentes dans le graphe de connaissances pour ajouter des nœuds auxiliaires représentant des informations d’entité, en les reliant aux nœuds qui contiennent ces informations dans leur hiérarchie. Nos expérimentations montrent que notre approche permet d’améliorer significativement les performances des méthodes translationnelles de prédiction de liens, notamment en termes de H@10, de MR (Moyenne des rangs) et de MRR (Moyenne des rangs inversés).