Generalizing Knowledge Graph Embedding with Universal Orthogonal Parameterization

要約

ナレッジ グラフ エンベディング (KGE) の最近の進歩は、ユークリッド/双曲直交関係変換に依存して、固有の論理パターンと位相構造をモデル化しています。
ただし、既存のアプローチは、制限された次元と均一なジオメトリによる厳密なリレーショナル直交化に限定されており、モデリング機能が不足しています。
この研究では、GoldE という名前の強力なフレームワークを導入することで、次元とジオメトリの両方の点でこれらのアプローチを超えています。このフレームワークは、ハウスホルダー リフレクションの一般化された形式に基づく普遍的な直交パラメータ化を特徴としています。
このようなパラメータ化により、理論的な保証を備えた次元拡張と幾何学的統一が自然に達成され、私たちのフレームワークが重要な論理パターンとナレッジ グラフの固有のトポロジー的異質性を同時に捕捉できるようになります。
経験的に、GoldE は 3 つの標準ベンチマークで最先端のパフォーマンスを達成します。
コードは https://github.com/xxrep/GoldE で入手できます。

要約(オリジナル)

Recent advances in knowledge graph embedding (KGE) rely on Euclidean/hyperbolic orthogonal relation transformations to model intrinsic logical patterns and topological structures. However, existing approaches are confined to rigid relational orthogonalization with restricted dimension and homogeneous geometry, leading to deficient modeling capability. In this work, we move beyond these approaches in terms of both dimension and geometry by introducing a powerful framework named GoldE, which features a universal orthogonal parameterization based on a generalized form of Householder reflection. Such parameterization can naturally achieve dimensional extension and geometric unification with theoretical guarantees, enabling our framework to simultaneously capture crucial logical patterns and inherent topological heterogeneity of knowledge graphs. Empirically, GoldE achieves state-of-the-art performance on three standard benchmarks. Codes are available at https://github.com/xxrep/GoldE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google