초록
링크 예측은 불완전한 지식 그래프(KG)를 하류 작업에 적용하는 데 있어 중요합니다. 링크 예측을 위한 효과적인 접근 방식 중 하나인 임베딩 방법은 엔티티와 관계 모두에 대한 저차원 표현을 학습하여 그 안에서 정의된 이중선형 형식이 적절한 점수 함수가 되도록 합니다. 이러한 방법들의 성공적인 성능에도 불구하고, 기존의 이중선형 형식들은 관계 조합 모델링을 간과하여 지식 그래프에서 추론의 해석성을 부족하게 합니다. 이 간극을 메우기 위해 우리는 이면 대칭군(dihedral symmetry group)에서 이름을 딴 새로운 모델인 DihEdral을 제안합니다. 이 새로운 모델은 본질적으로 관계 조합을 포착할 수 있는 지식 그래프 임베딩을 학습합니다. 또한, 우리의 접근 방식은 이산 값으로 매개변수화된 관계 임베딩을 모델링하여 해의 공간을 크게 줄입니다. 실험 결과, DihEdral은 (왜곡-)대칭성, 역함수 및 (비-)아벨 조합 등의 모든 원하는 속성을 포착할 수 있으며, 기존의 이중선형 형식 기반 접근 방식보다 우수하며 컨볼루션 신경망(ConvE)와 같은 딥러닝 모델과 비교해도 비등하거나 더 우수한 성능을 보였습니다.