ハイパーリレーションラル知識グラフにおけるメッセージパッシング

ハイパーリレーショナル知識グラフ（KG）（例：Wikidata）は、主となる三項組に加えて、追加のキー-値ペアを関連付けることで、事実の曖昧さを解消したり、その妥当性を制限したりする機能を提供する。本研究では、このようなハイパーリレーショナルKGをモデル化可能な、メッセージパッシングに基づくグラフエンコーダー「StarE」を提案する。既存の手法とは異なり、StarEは主となる三項組に任意の数の追加情報（クオリファイア）を保持しつつ、クオリファイアと三項組の意味的役割を維持したままエンコーディングが可能である。また、既存のハイパーリレーショナルKGにおけるリンク予測（LP）性能評価のためのベンチマークが根本的な欠陥を抱えていることを実証し、新たなWikidataベースのデータセット「WD50K」を構築した。実験の結果、StarEを用いたLPモデルは複数のベンチマークにおいて既存手法を上回ることを確認した。さらに、クオリファイアを活用することがリンク予測において極めて重要であり、三項組ベースの表現と比較して最大25 MRRポイントの性能向上が達成されることも検証した。