지식 그래프 임베딩을 위한 그래프 컨텍스트 모델링을 갖춘 직교 관계 전환

전이 거리 기반 지식 그래프 임베딩은 TransE에서 최신 최고 성능을 자랑하는 RotatE에 이르기까지 링크 예측 작업에서 점진적인 개선을 보여왔다. 그러나 N-1, 1-N 및 N-N 예측은 여전히 도전 과제로 남아 있다. 본 연구에서는 지식 그래프 링크 예측을 위한 새로운 전이 거리 기반 접근법을 제안한다. 제안된 방법은 두 가지 측면으로 구성된다. 첫째, 관계 모델링을 위한 더 높은 표현 능력을 확보하기 위해 RotatE을 2차원 복소수 영역에서 직교 변환을 활용한 고차원 공간으로 확장한다. 둘째, 그래프의 맥락을 두 개의 방향성 맥락 표현을 통해 명시적으로 모델링한다. 이러한 맥락 표현은 학습 및 추론 과정에서 삼중항의 타당성을 측정하는 거리 스코어링 함수의 일부로 사용된다. 제안된 접근법은 지식 그래프 링크 예측 작업에서 특히 어려운 N-1, 1-N 및 N-N 케이스의 예측 정확도를 효과적으로 향상시킨다. 실험 결과, 기준 모델인 RotatE에 비해 두 가지 벤치마크 데이터셋에서 더 우수한 성능을 달성하였으며, 특히 고차수 진입 연결 노드가 많은 데이터셋(FB15k-237)에서 두드러진 성능 향상을 보였다.