SimplE Embedding for Link Prediction in Knowledge Graphs Knowledge graphs (KGs) are a powerful tool for representing and organizing structured information. However, they often suffer from incompleteness, which can be addressed through link prediction. SimplE is a simple enhancement of the ComplEx model that improves its performance on link prediction tasks while maintaining computational efficiency. This paper introduces SimplE and evaluates its effectiveness compared to other state-of-the-art models. The results show that SimplE achieves competitive performance with fewer parameters, making it a promising approach for large-scale knowledge graph completion.

지식 그래프는 세계에 대한 지식을 포함하며 이 지식의 구조화된 표현을 제공합니다. 현재의 지식 그래프는 세계에서 진실인 것들의 작은 부분만을 포함하고 있습니다. 링크 예측 접근법은 기존 엔티티 간의 링크를 바탕으로 지식 그래프에 새로운 링크를 예측하는 것을 목표로 합니다. 텐서 분해 접근법은 이러한 링크 예측 문제에 대해 유망한 결과를 보여주었습니다. 1927년에 제안된 캐노니컬 폴리아딕(Canonical Polyadic, CP) 분해는 최초의 텐서 분해 접근법 중 하나입니다. CP는 각 엔티티에 대해 두 개의 독립적인 임베딩 벡터를 학습하기 때문에 링크 예측에서 일반적으로 성능이 좋지 않습니다. 우리는 각 엔티티의 두 개의 임베딩이 종속적으로 학습될 수 있도록 CP를 단순히 개선한 방법(SimplE)을 제시합니다. SimplE의 복잡도는 임베딩 크기와 선형적으로 증가합니다. SimplE를 통해 학습된 임베딩은 해석 가능하며, 특정 유형의 배경 지식은 가중치 연결(weight tying)을 통해 이 임베딩에 통합될 수 있습니다. 우리는 SimplE가 완전히 표현력이 있음을 증명하고, 완전한 표현력을 위한 그 임베딩 크기의 경계를 도출하였습니다. 경험적으로, 단순함에도 불구하고 SimplE가 여러 최신 텐서 분해 기술보다 우수한 성능을 보임을 입증하였습니다. SimplE의 코드는 GitHub에서 이용할 수 있으며, 주소는 https://github.com/Mehran-k/SimplE입니다.