End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion 엔드투엔드 구조 인식 합성곱 신경망을 이용한 지식베이스 완성

지식 그래프 임베딩은 지식 베이스 완성에 있어 활발한 연구 주제로, 초기 TransE, TransH, DistMult 등에서 현재 최신의 ConvE까지 점진적으로 개선되어 왔습니다. ConvE는 2D 컨볼루션과 다중 비선형 특징 층을 사용하여 지식 그래프를 모델링합니다. 이 모델은 효율적으로 학습될 수 있으며 대규모 지식 그래프에도 확장 가능합니다. 그러나 ConvE의 임베딩 공간에는 구조 강제화가 없습니다. 최근의 그래프 컨볼루셔널 네트워크(GCN)는 그래프 연결 구조를 성공적으로 활용하여 그래프 노드 임베딩을 학습하는 또 다른 방법을 제공합니다. 본 연구에서는 GCN과 ConvE의 장점을 함께 활용하는 새로운 엔드투엔드 구조 인지 컨볼루셔널 네트워크(SACN)를 제안합니다. SACN은 가중치 그래프 컨볼루셔널 네트워크(WGCN)의 인코더와 Conv-TransE라는 이름의 컨볼루션 네트워크 디코더로 구성됩니다. WGCN은 지식 그래프 노드 구조, 노드 속성 및 엣지 관계 유형을 활용하며, 이웃에서 사용되는 정보량을 조정하는 학습 가능한 가중치를 통해 로컬 집합화에서 더 정확한 그래프 노드 임베딩을 생성합니다. 그래프 내의 노드 속성은 WGCN에서 추가적인 노드로 표현됩니다. 디코더인 Conv-TransE는 최신의 ConvE가 엔티티와 관계 사이에서 변환 가능하도록 하면서도 ConvE와 동일한 링크 예측 성능을 유지할 수 있도록 합니다. 우리는 표준 FB15k-237 및 WN18RR 데이터셋에서 제안된 SACN의 효과성을 입증하였으며, HITS@1, HITS@3 및 HITS@10 측면에서 최신의 ConvE보다 약 10% 상대적인 개선을 보였습니다.