要約
知識グラフは、知識を表現するための人気のある形式であり、意味検索エンジン、質問応答システム、推薦システムなど多くの応用があります。現実世界の知識グラフは通常不完全であるため、正準分解/並列因子化（CP）、DistMult、ComplExなどの知識グラフ埋め込み手法が提案されており、これらの問題に対処しています。これらの手法では、エンティティと関係を意味空間内の埋め込みベクトルとして表現し、それらの間のリンクを予測します。埋め込みベクトル自体には豊富な意味情報が含まれており、データ分析などの他の応用にも利用できます。しかし、これらのモデルのメカニズムや埋め込みベクトル自体が大きく異なるため、理解や比較が困難です。特に複雑なモデル、例えば二つの役割ベースの埋め込みベクトルを持つCPや複素数値の埋め込みベクトルを持つ最先端のComplExモデルなどにおいて、無効または誤った使用のリスクがあります。本論文では、これらのモデルを統一し一般化する新しいアプローチとして多様な埋め込み相互作用メカニズムを提案します。このメカニズムを通じて理論的に導出し、それらの間での経験的な解析と比較を行います。また、四元数代数に基づく新しい多様な埋め込みモデルを提案し、一般的なベンチマークを使用して有望な結果を得ることを示します。ソースコードはGitHubで公開されています（https://github.com/tranhungnghiep/AnalyzeKGE）。