位置的性質および中心性の性質に注意を払った埋め込み知識グラフ

知識グラフ埋め込み（Knowledge Graph Embeddings; KGE）は、リンク予測やノード分類といった下流タスクへの応用可能性から、近年、人工知能研究の中心的なテーマとなっている。しかし、大多数の知識グラフ埋め込みモデルは、エンティティの局所的なグラフ構造、すなわち1ホップ近傍の情報をベクトル空間に符号化するにとどまっている。知識グラフ上の予測タスクにおいて、エンティティの局所構造だけでなく、グローバルな特徴を捉えることは極めて重要である。本研究では、エンティティのグラフィカル特徴を計算する新しいKGE手法、Graph Feature Attentive Neural Network（GFA-NN）を提案する。その結果、得られる埋め込み表現は2種類のグローバルネットワーク特徴に注意を向けるよう設計されている。第一に、あるエンティティが他のエンティティよりも「顕著」であるという観察に基づくノードの相対的な中心性（centrality）である。第二に、エンティティがグラフ内での相対的位置関係にあることである。GFA-NNは各エンティティに対して複数の中心性値を計算し、ランダムに選択された参照ノードの集合を生成し、対象エンティティからその集合内の各ノードまでの最短経路を計算する。その後、これらの各特徴に対して定義された目的関数の最適化を通じて、これらの情報を学習する。本手法は、誘導的（inductive）および転移的（transductive）設定における複数のリンク予測ベンチマークで評価され、最先端のKGE手法と比較して同等または優れた性能を達成することが示された。