복잡한 임베딩을 이용한 간단한 링크 예측

통계적 관계 학습에서 링크 예측 문제는 대형 지식 기반의 구조를 자동으로 이해하는 데 핵심적인 역할을 합니다. 이전 연구들처럼, 우리는 이 문제를 잠재 요인 분해를 통해 해결하려고 제안합니다. 그러나 여기서는 복소수 임베딩을 활용합니다. 복소수 임베딩의 조합은 대칭 관계와 비대칭 관계를 포함한 다양한 이진 관계를 처리할 수 있습니다. 신경 텐서 네트워크(Neural Tensor Network)와 홀로그래픽 임베딩(Holographic Embeddings) 등 최신 모델과 비교하여, 우리의 복소수 임베딩 기반 접근 방식은 헤르미션 내적(복소수 벡터 간의 표준 내적의 복소수 버전)만 사용하기 때문에 더 단순하다고 주장할 수 있습니다. 우리의 접근 방식은 공간과 시간 모두에 대해 선형이므로 대규모 데이터셋에도 확장 가능하며, 표준 링크 예측 벤치마크에서 일관되게 다른 접근 방식을 능가하고 있습니다.