초록
지식 그래프는 지식을 표현하는 인기 있는 형식으로, 의미 검색 엔진, 질문 응답 시스템 및 추천 시스템 등 다양한 응용 분야에서 활용되고 있습니다. 실제 세계의 지식 그래프는 일반적으로 불완전하기 때문에, 캐노니컬 분해/평행 요인화(CP), DistMult, ComplEx 등의 지식 그래프 임베딩 방법이 제안되었습니다. 이러한 방법들은 엔티티와 관계를 의미 공간에서 임베딩 벡터로 표현하고, 그 사이의 링크를 예측합니다. 임베딩 벡터 자체가 풍부한 의미 정보를 포함하고 있어 데이터 분석과 같은 다른 응용 분야에서도 사용될 수 있습니다. 그러나 이들 모델의 메커니즘과 임베딩 벡터 자체가 크게 다르기 때문에 이해하거나 비교하기 어려운 경우가 많습니다. 이러한 이해 부족으로 인해 특히 CP와 같은 두 개의 역할 기반 임베딩 벡터나 최신 ComplEx 모델과 같은 복소수 값 임베딩 벡터를 사용하는 복잡한 모델을 비효율적이나 잘못된 방식으로 사용할 위험이 있습니다. 본 논문에서는 이러한 모델들을 통합하고 일반화하기 위한 새로운 접근 방법인 다중 임베딩 상호작용 메커니즘을 제안합니다. 우리는 이 메커니즘을 통해 이론적으로 이를 유도하고, 경험적인 분석 및 비교를 제공합니다. 또한 쿼터니언 대수에 기반한 새로운 다중 임베딩 모델을 제안하여, 인기 있는 벤치마크를 사용하여 유망한 결과를 달성함을 보여줍니다. 소스 코드는 GitHub(https://github.com/tranhungnghiep/AnalyzeKGE)에서 이용 가능합니다.