2달 전
StarGraph: 불완전한 두 단계 하위 그래프 기반 지식 표현 학습
Hongzhu Li; Xiangrui Gao; Linhui Feng; Yafeng Deng; Yuhui Yin

초록
지식 그래프(KG)에 대한 기존 표현 학습 알고리즘은 각 엔티티를 고유한 임베딩 벡터로 매핑하면서 이웃 정보에 포함된 풍부한 정보를 무시합니다. 본 연구에서는 대규모 지식 그래프에서 엔티티 표현을 얻기 위해 이웃 정보를 활용하는 새로운 방법인 StarGraph 방법을 제안합니다. 먼저 각 타겟 노드에 대해 불완전한 두 단계 이웃 부분 그래프를 생성하고, 이를 수정된 자기 주의 네트워크(self-attention network)를 통해 처리하여 엔티티 표현을 얻습니다. 이 표현은 기존 방법에서 사용되는 엔티티 임베딩을 대체하는 데 사용됩니다. 우리는 ogbl-wikikg2에서 최고 수준의 성능(SOTA)을 달성했으며, fb15k-237에서도 경쟁력 있는 결과를 얻었습니다. 실험 결과는 StarGraph가 파라미터 효율성이 뛰어나다는 것을 증명하며, ogbl-wikikg2에서 이루어진 개선은 대규모 지식 그래프에서의 표현 학습 효과성을 크게 입증하였습니다. 코드는 \url{https://github.com/hzli-ucas/StarGraph}에서 이용 가능합니다.