Intégration des graphes de connaissances par réseaux d'attention atténuée de graphe

Les graphes de connaissances contiennent une richesse de connaissances du monde réel pouvant apporter un soutien solide aux applications de l’intelligence artificielle. Des progrès importants ont été réalisés dans la complétion des graphes de connaissances, les modèles de pointe s’appuyant actuellement sur des réseaux de neurones à convolution sur graphe. Ces modèles extraient automatiquement des caractéristiques, combinées aux caractéristiques du modèle de graphe, afin de générer des embeddings de caractéristiques à forte capacité d’expression. Toutefois, ces approches attribuent des poids identiques à tous les chemins relationnels dans le graphe de connaissances, négligeant ainsi l’information riche contenue dans les nœuds voisins, ce qui conduit à une exploitation insuffisante des caractéristiques des triples. À cet effet, nous proposons un nouveau modèle de représentation, les réseaux d’attention atténuée sur graphe (GAATs), qui intègre un mécanisme d’attention atténuée afin d’attribuer des poids différents aux différents chemins relationnels et d’extraire efficacement l’information provenant des voisinages. En conséquence, les entités et les relations peuvent être apprises à partir de n’importe quel voisinage. Nos études expérimentales offrent des perspectives sur l’efficacité des modèles basés sur l’attention atténuée, et nous démontrons une amélioration significative par rapport aux méthodes de pointe sur deux jeux de données de référence, WN18RR et FB15k-237.