要約
知識グラフは、実世界の事実を構造化された形で表現するため、エンティティを関係によって結びつける。しかし、それらはすべての妥当な事実のほんの一部に基づいているため、しばしば不完全である。リンク予測を用いた知識グラフ補完のタスクは、エンティティ間のリンクとして表現される欠落した事実を推論することで、この課題に取り組む。現在のリンク予測手法は、テンソル因子分解と/または深層学習を活用している。因子分解手法はパラメータ数が少ないため、学習とデプロイが迅速であるが、その基盤となる線形的手法の制限により表現力に限界がある。一方、深層学習手法は表現力に優れるものの、学習可能なパラメータ数が多いため計算コストが高く、過学習を引き起こしやすい。本研究では、深層モデルの表現力と線形モデルの高速性・小型化を統合した新しいハイブリッドリンク予測モデル、Neural Powered Tucker Network（NePTuNe）を提案する。実験の結果、NePTuNeはFB15K-237データセットにおいて最先端の性能を達成し、WN18RRデータセットでは準最先端の性能を示した。