要約
知識グラフの埋め込みは、知識グラフにおけるリンク予測（つまり、関係事実の不完全な集合を補完するタスク）で最も成功した手法の一つに数えられています。これらのモデルの欠点は、特に正則化項において、モデルハイパーパラメータに対する強い感受性であり、良好な性能を得るためには広範な調整が必要です [Kadlec et al., 2017]。本研究では、これらのモデルを確率論的な枠組みで解釈することで大規模なハイパーパラメータ調整の効率的な方法を提案します。エンティティごとのハイパーパラメータを導入するモデル拡張後、変分期待最大化アプローチを使用して、最小限の追加コストで数千のハイパーパラメータを調整します。当方針はモデルの詳細に依存せず、標準的なベンチマークデータでのリンク予測において新たな最先端の成果を達成しています。