BoxE：知識ベース補完のためのボックス埋め込みモデル

知識ベース補完（Knowledge Base Completion: KBC）は、既存の知識ベース（KB）に含まれる情報を利用して、欠落している事実を自動的に推論することを目的としている。KBCの有望なアプローチの一つは、知識を潜在空間に埋め込み（embedding）、学習された埋め込みから予測を行うことである。しかし、既存の埋め込みモデルには、以下のいずれかの制限が少なくとも一つ存在する：（1）理論的な表現力の不足、（2）代表的な推論パターン（例：階層構造）への対応の欠如、（3）高アリティ関係におけるKBCへの対応の欠如、および（4）論理規則の統合への対応の欠如。本研究では、これらのすべての制限を同時に克服できる空間的平行移動型埋め込みモデル、BoxEを提案する。BoxEは、エンティティを点として、関係をハイパーレクトアンブル（ボックス）の集合として埋め込む。これにより、基本的な論理的性質を空間的に特徴づけることができる。この一見単純な抽象化は、多くの望ましい論理的性質を自然に表現可能な完全表現力を持つモデルを実現する。BoxEは、豊富な規則言語クラスから規則を捕捉・注入でき、個別の推論パターンをはるかに超える柔軟性を備えている。設計上、BoxEは高アリティの知識ベースにも自然に適用可能である。詳細な実験分析の結果、BoxEはベンチマーク知識グラフおよびより一般的な知識ベースにおいて、最先端の性能を達成しており、論理規則の統合の有効性を実証的に示している。