RotatE: 복소 공간에서의 관계 회전을 통한 지식 그래프 임베딩

우리는 지식 그래프에서 실체와 관계의 표현을 학습하여 누락된 링크를 예측하는 문제를 연구합니다. 이러한 작업의 성공은 관계 사이의 패턴을 모델링하고 추론할 수 있는 능력에 크게 의존합니다. 본 논문에서는 대칭성/비대칭성, 역전, 복합 등 다양한 관계 패턴을 모델링하고 추론할 수 있는 새로운 지식 그래프 임베딩 접근법인 RotatE(회전 임베딩)를 제시합니다. 특히, RotatE 모델은 각 관계를 복소 벡터 공간에서 출발 실체에서 도착 실체로의 회전으로 정의합니다. 또한, RotatE 모델을 효율적이고 효과적으로 학습하기 위한 새로운 자기 적대적 부정 샘플링 기술을 제안합니다. 여러 벤치마크 지식 그래프에 대한 실험 결과는 제안된 RotatE 모델이 확장성이 뛰어나며, 다양한 관계 패턴을 추론하고 모델링할 수 있으며, 링크 예측을 위한 기존 최신 모델들을 크게 능가함을 보여줍니다.