要約
知識グラフ（KG）におけるエンティティおよび関係の埋め込み学習は、多くの下流タスクに寄与してきました。近年、KG学習の核となるスコア関数は、三項組の妥当性を測定し、KG内のさまざまな種類の関係を捉えるために人手で設計されてきました。しかし、関係は学習前の段階で推論が困難な複雑なパターンを示すため、既存のスコア関数はベンチマークタスクにおいて一貫して最良の性能を発揮するものではありません。本論文では、自動機械学習（AutoML）の最近の成功に着想を得て、AutoML技術を用いて異なるKGタスクに適した双線形スコア関数の探索を試みます。しかしながら、ここではドメイン固有の情報を効果的に活用することは容易ではありません。まず、既存のスコア関数を分析することで、AutoBLMのための探索空間を構築します。次に、段階的探索アルゴリズム（AutoBLM）と進化的アルゴリズム（AutoBLM+）を提案し、フィルタおよび予測器を用いてそれらを高速化することで、KG学習におけるドメイン固有の特性に対応します。最後に、KG補完、マルチホップクエリ、エンティティ分類という複数のベンチマークタスクにおいて広範な実験を実施しました。実証結果から、探索されたスコア関数はKGに依存しており、既存の文献にはない新しいものであり、従来のスコア関数を上回ることが示されました。特に、進化的アルゴリズムにより同じ計算リソース内でもより優れた構造を柔軟に探索できるため、AutoBLM+はAutoBLMよりも優れた性能を発揮しました。