TransERR: Translation-based Knowledge Graph Completion via Efficient Relation Rotation

要約

この論文では、従来の翻訳ベースのナレッジ グラフ補完モデルに代わる、単純かつ効果的な、効率的な関係回転 (TransERR) による翻訳ベースのナレッジ グラフ補完手法を紹介します。
以前の変換ベースのモデルとは異なり、TransERR は超複素数値空間でナレッジ グラフをエンコードするため、先頭エンティティと末尾エンティティの間の潜在情報をマイニングする際に、より高い変換の自由度を持つことができます。
並進距離をさらに最小化するために、TransERR は、モデルのトレーニングで学習可能な、対応する単位四元数を使用して先頭エンティティと末尾エンティティを適応的に回転させます。
7 つのベンチマーク データセットでの実験により、TransERR の有効性と一般化が検証されます。
この結果は、TransERR が以前の変換ベースのモデルよりも少ないパラメーターで大規模なデータセットをより適切にエンコードできることも示しています。
コードは \url{https://github.com/dellixx/TransERR} で入手できます。

要約(オリジナル)

This paper presents translation-based knowledge graph completion method via efficient relation rotation (TransERR), a straightforward yet effective alternative to traditional translation-based knowledge graph completion models. Different from the previous translation-based models, TransERR encodes knowledge graphs in the hypercomplex-valued space, thus enabling it to possess a higher degree of translation freedom in mining latent information between the head and tail entities. To further minimize the translation distance, TransERR adaptively rotates the head entity and the tail entity with their corresponding unit quaternions, which are learnable in model training. The experiments on 7 benchmark datasets validate the effectiveness and the generalization of TransERR. The results also indicate that TransERR can better encode large-scale datasets with fewer parameters than the previous translation-based models. Our code is available at: \url{https://github.com/dellixx/TransERR}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google