다중관계 데이터 모델링을 위한 임베딩 번역

다중관계 데이터의 엔티티와 관계를 저차원 벡터 공간에 임베딩하는 문제를 고려한다. 본 연구의 목적은 학습이 용이하고 파라미터 수가 적으며 매우 큰 데이터베이스에도 확장 가능한 기본 모델을 제안하는 것이다. 이를 위해 우리는 TransE라는 방법을 제안하며, 이는 관계를 엔티티의 저차원 임베딩에 작용하는 이동(translation)으로 해석함으로써 관계를 모델링한다. 이 가정은 단순하지만, 광범위한 실험을 통해 두 개의 지식 기반에서 링크 예측 성능에서 기존 최고 수준의 방법들을 크게 능가함을 입증한다. 또한, 100만 개의 엔티티, 25,000개의 관계, 1,700만 개 이상의 학습 샘플을 포함하는 대규모 데이터셋에서도 성공적으로 학습이 가능함을 보였다.