KGRefiner：翻訳リンク予測手法の精度向上を目的とした知識グラフの精緻化

リンク予測とは、知識グラフ内のエンティティ間の欠落している関係を予測するタスクである。近年のリンク予測に関する研究では、ニューラルネットワークの構造により多くの層を導入することで、リンク予測の精度を向上させるモデルの構築が試みられている。本論文では、比較的高速な変換型モデル（translational models）を用いてより正確なリンク予測を実現できるように、知識グラフの精緻化を目的とした新しい手法を提案する。変換型リンク予測モデル（例：TransE、TransH、TransD）は、ディープラーニング的手法に比べて計算の複雑性が低い特徴を持つ。本手法は、知識グラフ内の関係およびエンティティの階層構造を利用し、階層内でその情報を含むノードに接続されるように、エンティティ情報を補助ノードとしてグラフに追加する。実験の結果、本手法は変換型リンク予測手法の性能を、H@10、MR、MRRの指標において顕著に向上させることを示した。