MEIM : Interaction d'embeddings multi-partitions au-delà du format de terme bloc pour une prédiction de liens efficace et expressive

L’embedding des graphes de connaissances vise à prédire les relations manquantes entre les entités dans les graphes de connaissances. Les modèles fondés sur la décomposition de tenseurs, tels que ComplEx, offrent un bon compromis entre efficacité et expressivité, ce qui est crucial compte tenu de la taille importante des graphes de connaissances du monde réel. Le modèle récent d’interaction d’embedding multi-partition (MEI), en s’appuyant sur la forme tensorielle par blocs, englobe ces modèles et propose une solution systématique au compromis entre efficacité et expressivité. Toutefois, MEI présente plusieurs inconvénients, certains hérités de ses modèles sous-jacents fondés sur la décomposition de tenseurs. Dans cet article, nous abordons ces limites et introduisons le modèle MEIM (Multi-partition Embedding Interaction iMproved beyond block term format), qui intègre un tenseur central indépendant pour favoriser les effets d’ensemble, ainsi qu’une orthogonalité douce pour une application maximale du rang, en plus de l’embedding multi-partition. MEIM améliore l’expressivité tout en restant hautement efficace, permettant ainsi de surpasser des modèles de référence performants et d’atteindre des résultats de pointe sur des benchmarks exigeants de prédiction de liens, même avec des tailles d’embedding relativement faibles. Le code source est disponible à l’adresse suivante : https://github.com/tranhungnghiep/MEIM-KGE.