知識グラフ埋め込みのための関係認識型アンサンブル学習

知識グラフ（KG）埋め込みは自然言語処理における基盤的な課題であり、さまざまな手法が意味構造のパターンを特徴的なアプローチで探求するために提案されてきた。本論文では、既存の手法を関係意識的なアプローチで統合することで、アンサンブル学習を行う新しい手法を提案する。しかし、関係意識的なアンサンブルを用いた意味構造の探索は、一般的なアンサンブル手法と比べてはるかに大きな探索空間を必要とする。この問題に対処するため、我々は関係ごとにアンサンブル重みを独立して探索する「RelEns-DSC」という分割・探索・統合アルゴリズムを提案する。このアルゴリズムは、一般的なアンサンブル手法と同等の計算コストで実行可能でありながら、著しく優れた性能を達成する。標準ベンチマークデータセット上での実験結果から、本手法が関係意識的なアンサンブル重みを効率的に探索し、最先端の埋め込み性能を達成できることを示した。コードはGitHubで公開されており、https://github.com/LARS-research/RelEns から入手可能である。