Встраивание графа знаний посредством трансляций на гиперплоскостях

Мы рассматриваем задачу встраивания крупномасштабного графа знаний, состоящего из сущностей и отношений, в непрерывное векторное пространство. TransE — это недавно предложенный перспективный метод, обладающий высокой эффективностью и обеспечивающий современную предсказательную точность. Мы обсуждаем несколько свойств отображения отношений, которые следует учитывать при встраивании, такие как рефлексивность, «один-ко-многим», «многие-ко-одному» и «многие-ко-многим», и отмечаем, что TransE плохо справляется с этими свойствами. Некоторые более сложные модели способны сохранять эти свойства отображения, но при этом теряют в эффективности. Для лучшего компромисса между емкостью модели и эффективностью мы предлагаем TransH, который моделирует отношение как гиперплоскость совместно с операцией трансляции на ней. Такой подход лучше сохраняет указанные свойства отношений при почти той же вычислительной сложности, что и TransE. Кроме того, поскольку практические графы знаний часто далеки от полноты, важно правильно формировать отрицательные примеры, чтобы уменьшить число ложных негативных меток при обучении. Используя свойство отношения «один-ко-многим/многие-ко-одному», мы предлагаем простой прием для снижения вероятности ложного негативного разметки. Мы проводим обширные эксперименты по задаче предсказания связей, классификации триплетов и извлечения фактов на эталонных наборах данных, таких как WordNet и Freebase. Эксперименты показывают, что TransH обеспечивает существенное улучшение предсказательной точности по сравнению с TransE при сопоставимой масштабируемости.