Встраивание графов знаний для предсказания связей

Графы знаний (KG) нашли широкое применение в промышленности и академической сфере, что, в свою очередь, стимулировало значительные исследовательские усилия по крупномасштабному извлечению информации из различных источников. Несмотря на эти усилия, хорошо известно, что даже крупнейшие графы знаний страдают от неполноты; методы предсказания связей (LP) решают эту проблему путем выявления отсутствующих фактов, связанных с сущностями, уже представленными в графе знаний. Среди современных методов предсказания связей методы, основанные на встраиваниях графов знаний, продемонстрировали весьма перспективные результаты на некоторых эталонных наборах данных. Несмотря на быстро растущее число публикаций по этой теме, недостаточное внимание уделялось влиянию проектных решений на эффективность таких методов. Кроме того, стандартная практика в данной области заключается в представлении точности, агрегированной по большому числу тестовых фактов, в которых некоторые сущности представлены значительно чаще других; это позволяет методам предсказания связей демонстрировать хорошие результаты, учитывая лишь структурные свойства, включающие такие сущности, и игнорируя оставшееся большинство графа знаний. В данном исследовании представлен всесторонний сравнительный анализ методов предсказания связей на основе встраиваний, причем измерения анализа расширены по сравнению с обычно доступными в литературе. Экспериментально сравниваются эффективность и вычислительная производительность 18 современных методов, рассматривается базовый метод на основе правил и приводится подробный анализ наиболее популярных эталонных наборов данных, используемых в литературе.