TransERR: 효율적인 관계 회전을 통한 번역 기반 지식 그래프 임베딩

이 논문은 효율적인 관계 회전(TransERR)을 통한 번역 기반 지식 그래프 임베딩 방법을 제안한다. 이는 기존의 번역 기반 지식 그래프 임베딩 모델에 대한 간단하면서도 효과적인 대안이다. 기존의 번역 기반 모델들과 달리, TransERR는 지식 그래프를 초복소수값 공간에 인코딩함으로써, 헤드 엔티티와 테일 엔티티 간의 잠재적 정보를 탐색할 때 더 높은 수준의 번역 자유도를 갖게 된다. 또한 번역 거리를 최소화하기 위해, TransERR는 모델 학습 과정에서 학습 가능한 단위 퀘aternion을 사용하여 헤드 엔티티와 테일 엔티티를 적응적으로 회전시킨다. 본 연구에서는 TransERR가 대칭, 반대칭, 역관계, 복합관계, 하위관계와 같은 다양한 관계 패턴을 모델링할 수 있음을 수학적으로 증명하였다. 10개의 벤치마크 데이터셋에서 수행된 실험을 통해 TransERR의 효과성과 일반화 능력이 입증되었으며, 기존 번역 기반 모델들보다 적은 파라미터로 대규모 데이터셋을 더 효과적으로 인코딩할 수 있음을 보여주었다. 본 연구의 코드와 데이터셋은 ~\url{https://github.com/dellixx/TransERR} 에서 공개되어 있다.