要約
リンク予測は、不完全な知識グラフ（Knowledge Graph: KG）を下流タスクに適用する上で重要な役割を果たします。リンク予測の有効な手法の一つとして、埋め込み方法が挙げられます。これらの方法は、エンティティとリレーションの低次元表現を学習し、定義された双線形形式が適切なスコア関数となるように試みます。既存の双線形形式は成功した性能を示していますが、リレーションの合成モデル化を見落としているため、KG上の推論に対する解釈可能性に欠けています。このギャップを埋めるために、我々は新たなモデルであるDihEdral（二面群 (dihedral symmetry group) にちなんで命名）を提案します。この新しいモデルは、本質的にリレーションの合成を捉えることができる知識グラフの埋め込みを学習します。さらに、当手法では離散値によってパラメータ化されたリレーションの埋め込みモデルを作成することで、解空間を大幅に削減します。実験結果から、DihEdralは（歪-）対称性、逆元性および（非-）アーベル合成などのすべての望ましい特性を捉えることができることが示され、既存の双線形形式に基づく手法よりも優れた性能を発揮し、ConvEなどの深層学習モデルと同等かそれ以上の性能を持つことが確認されました。