Hypernetwork Knowledge Graph Embeddings 하이퍼네트워크 지식 그래프 임베딩

지식 그래프는 사실들의 대규모 데이터베이스를 그래픽으로 표현한 것으로, 일반적으로 불완전성을 가지고 있습니다. 엔티티(노드) 간의 누락된 관계(링크)를 추론하는 작업을 링크 예측이라고 합니다. 최근 링크 예측 분야에서 최첨단 접근 방법인 ConvE는 연결된 주제와 관계 벡터에서 특징을 추출하기 위해 합성곱 신경망을 구현합니다. 결과가 인상적이지만, 이 방법은 직관적이지 않고 이해하기 어렵습니다. 우리는 (i) 표준 데이터셋에서 ConvE와 모든 이전 접근 방식을 능가하며, (ii) 텐서 분해로 구성될 수 있어 링크 예측에 대한 잘 확립된 인수 분해 모델 가족에 속할 수 있는 하이퍼네트워크 아키텍처를 제안합니다. 따라서 우리는 합성곱이 비선형 표현력과 학습해야 할 매개변수의 수 사이에서 효과적인 균형을 찾기 위한 편리한 계산적 수단을 제공함을 보여줍니다.