Block-Diagonal Orthogonal Relation and Matrix Entity for Knowledge Graph Embedding

要約

ナレッジ グラフ エンベディング (KGE) の主な目的は、欠落している事実を予測するためにエンティティと関係の低次元表現を学習することです。
RotatE や QuatE などの回転ベースの手法は KGE で良好に機能しますが、2 つの課題に直面しています。それは、モデルの柔軟性が限られていて、エンティティの次元に比例してリレーション サイズを増加させる必要があること、および高次元の回転向けにモデルを一般化することが困難であることです。
これらの問題に対処するために、エンティティの行列と関係のリーマン最適化を備えたブロック対角直交行列を使用する新しい KGE モデルである OrthogonalE を導入します。
このアプローチにより、KGE モデルの汎用性と柔軟性が強化されます。
実験結果は、私たちの新しい KGE モデルである OrthogonalE が一般的かつ柔軟であり、関係パラメーターの数を大幅に削減しながら、最先端の KGE モデルを大幅に上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

The primary aim of Knowledge Graph embeddings (KGE) is to learn low-dimensional representations of entities and relations for predicting missing facts. While rotation-based methods like RotatE and QuatE perform well in KGE, they face two challenges: limited model flexibility requiring proportional increases in relation size with entity dimension, and difficulties in generalizing the model for higher-dimensional rotations. To address these issues, we introduce OrthogonalE, a novel KGE model employing matrices for entities and block-diagonal orthogonal matrices with Riemannian optimization for relations. This approach enhances the generality and flexibility of KGE models. The experimental results indicate that our new KGE model, OrthogonalE, is both general and flexible, significantly outperforming state-of-the-art KGE models while substantially reducing the number of relation parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google