MDE: 知識グラフにおけるリンク予測のための複数距離埋め込み

過去10年間、知識グラフは構造化されたドメイン知識を捉えるために人気を博してきました。関係学習モデルは、知識グラフ内の欠落リンクの予測を可能にします。特に、潜在距離アプローチは、エンティティ間の関係を潜在表現間の距離によってモデル化します。TransEなどの翻訳埋め込みモデルは、最も人気のある潜在距離アプローチの一つで、1つの距離関数を使用して複数の関係パターンを学習します。しかし、これらのモデルは対称関係を捉える上で大部分効率的ではありません。なぜなら、すべての対称関係に対する表現ベクトルノルムがゼロになるからです。また、自己反射的なパターンを持つ関係を学習する際には情報が失われます。これは対称性と推移性を持つためです。そこで我々は、これらの制限に対処し、異なる潜在距離ベースの項を協調的に組み合わせるフレームワークとともに複数距離埋め込みモデル（Multiple Distance Embedding model, MDE）を提案します。我々の解決策は以下の2つの原則に基づいています：1) マージンランキング損失ではなく、極限ベースの損失を使用することと、2) 各項に対して独立した埋め込みベクトルを学習することで矛盾する距離項を使用して集中的に訓練および予測を行うことができます。さらに我々は、MDEが（非）対称性、逆転性、合成性パターンを持つ関係をモデル化できることを示しています。MDEはニューラルネットワークモデルとして提案され、これにより埋め込みベクトルとスコア関数の期待出力との間の非線形関係をマッピングすることができます。実験結果では、MDEがいくつかのベンチマークデータセットにおいて最先端の埋め込みモデルと競合する性能を示していることが確認されました。