フレンドリー・ネイバーズ：コンテキスト付きシーケンス・ツー・シーケンス・リンク予測

本稿では、知識グラフ（KG）におけるリンク予測（LP）を目的としたシンプルなシーケンス・トゥ・シーケンスモデル「KGT5-context」を提案する。本研究は、最近のLPモデルであるKGT5を拡張したものであり、KGT5は知識グラフのテキスト的特徴を活用し、モデルサイズが小さく、スケーラビリティに優れている点が特徴である。しかしながら、高い予測性能を達成するためには、KGT5は知識グラフ埋め込み（KGE）モデルとのアンサンブルに依存しており、そのKGEモデル自体が非常に巨大で、使用コストも高くなるという課題がある。本稿では、実証的に、クエリエンティティの直接的な近傍情報（コンテキスト情報）を追加することで、独立したKGEモデルを用いなくても良好な性能が得られることを示す。結果として得られたKGT5-contextモデルはシンプルであり、モデルサイズを大幅に削減しつつ、実験的評価において最先端の性能を達成した。