Modélisation de hiérarchies hétérogènes avec des cônes hyperboliques spécifiques aux relations

Les relations hiérarchiques sont prévalentes et indispensables pour organiser les connaissances humaines capturées par un graphe de connaissances (KG). La propriété clé des relations hiérarchiques est qu'elles induisent un ordre partiel sur les entités, qui doit être modélisé afin de permettre le raisonnement hiérarchique. Cependant, les modèles d'embeddings actuels de KG ne peuvent modéliser qu'une seule hiérarchie globale (un seul ordre partiel global) et échouent à modéliser les multiples hiérarchies hétérogènes qui existent dans un seul KG. Nous présentons ici ConE (Cone Embedding), un modèle d'embedding de KG capable de modéliser simultanément plusieurs relations hiérarchiques ainsi que non-hiérarchiques dans un graphe de connaissances. ConE plonge les entités dans des cônes hyperboliques et modélise les relations comme des transformations entre ces cônes. Plus précisément, ConE utilise des contraintes de contenance de cônes dans différents sous-espaces de l'espace d'embedding hyperbolique pour capturer plusieurs hiérarchies hétérogènes. Les expériences menées sur des benchmarks standard de graphes de connaissances montrent que ConE obtient des performances de pointe sur les tâches de raisonnement hiérarchique ainsi que sur la tâche de complétion de graphes de connaissances hiérarchiques. En particulier, notre approche atteint des nouveaux meilleurs résultats en termes de Hits@1 avec 45,3% sur WN18RR et 16,1% sur DDB14 (0,231 MRR). Pour ce qui est des tâches de raisonnement hiérarchique, notre approche surpassent les résultats précédemment obtenus avec une moyenne de 20% sur trois jeux de données.