MDE: 지식 그래프에서 링크 예측을 위한 다중 거리 임베딩

지난 10년 동안 지식 그래프는 구조화된 영역 지식을 포착하는 데 인기를 얻었습니다. 관계 학습 모델은 지식 그래프 내의 누락된 링크를 예측할 수 있게 합니다. 더욱 구체적으로, 잠재적 거리 접근법은 엔티티 간의 관계를 잠재적 표현 간의 거리를 통해 모델링합니다. TransE와 같은 번역 임베딩 모델은 가장 인기 있는 잠재적 거리 접근법 중 하나로, 하나의 거리 함수를 사용하여 여러 관계 패턴을 학습합니다. 그러나 이러한 모델들은 대칭 관계를 포착하는 데 주로 비효율적이며, 모든 대칭 관계에 대한 표현 벡터 노름(norm)이 0이 되기 때문입니다. 또한 반사 패턴을 가진 관계를 학습할 때 정보가 손실됩니다. 이는 대칭적이고 추이적인 특성을 가지게 되기 때문입니다. 우리는 이러한 제한 사항을 해결하고 다양한 잠재적 거리 기반 항목을 협업적으로 결합하는 프레임워크를 제안하는 다중 거리 임베딩 모델(Multiple Distance Embedding model, MDE)을 제시합니다. 우리의 해결책은 두 가지 원칙에 기초합니다: 1) 마진 순위 손실(margin ranking loss) 대신 한도 기반 손실(limit-based loss)을 사용하며, 2) 각 항목에 대해 독립적인 임베딩 벡터를 학습함으로써 상충되는 거리 항목을 집단적으로 훈련하고 예측할 수 있습니다. 우리는 또한 MDE가 (비대칭성, 역전성, 조합성 등의) 관계 패턴을 모델링할 수 있음을 보여줍니다. 우리는 MDE를 임베딩 벡터와 점수 함수의 예상 출력 사이의 비선형 관계를 매핑할 수 있는 신경망 모델로 제안합니다. 우리의 경험적 결과는 MDE가 몇 가지 벤치마크 데이터셋에서 최신 임베딩 모델들과 경쟁력을 갖추고 있음을 보여줍니다.