TransERR : Intégration de graphes de connaissances basée sur la traduction par rotation de relations efficace

Cet article présente une méthode d’embedding de graphes de connaissances basée sur la translation via une rotation relationnelle efficace (TransERR), une alternative simple mais efficace aux modèles traditionnels d’embedding de graphes de connaissances basés sur la translation. Contrairement aux modèles précédents fondés sur la translation, TransERR encode les graphes de connaissances dans un espace à valeurs hypercomplexes, permettant ainsi une plus grande liberté de translation pour extraire des informations latentes entre les entités tête et queue. Afin de minimiser davantage la distance de translation, TransERR effectue une rotation adaptative de l’entité tête et de l’entité queue à l’aide de quaternions unitaires correspondants, qui sont apprenables durant l’entraînement du modèle. Nous fournissons également des preuves mathématiques démontrant la capacité de TransERR à modéliser diverses structures relationnelles, notamment les motifs de symétrie, d’antisymétrie, d’inversion, de composition et de sous-relation. Les expériences menées sur 10 jeux de données de référence valident l’efficacité et la généralisation de TransERR. Les résultats indiquent également que TransERR peut encoder plus efficacement des jeux de données à grande échelle avec un nombre réduit de paramètres par rapport aux modèles antérieurs fondés sur la translation. Notre code et les jeux de données sont disponibles à l’adresse suivante : \url{https://github.com/dellixx/TransERR}.