私たちは、知識グラフにおけるエンティティとリレーションの表現学習の問題を研究し、欠落リンクの予測に取り組んでいます。このタスクの成功は、リレーション間のパターンをモデル化および推論する能力に大きく依存します。本論文では、RotatE（ローテート）と呼ばれる新しい知識グラフ埋め込み手法を提案します。RotatEは、対称性/非対称性、逆関係、合成関係などのさまざまなリレーションパターンをモデル化および推論することができます。具体的には、RotatEモデルは各リレーションを複素ベクトル空間においてソースエンティティからターゲットエンティティへの回転として定義しています。さらに、効率的かつ効果的にRotatEモデルを訓練するために、新たな自己敵対的ネガティブサンプリング技術を提案します。複数のベンチマーク知識グラフに対する実験結果は、提案されたRotatEモデルがスケーラビリティを持ちつつも、さまざまなリレーションパターンを推論・モデル化できることを示しており、既存の最先端モデルに対してリンク予測で大幅に性能を上回っています。