Key points are not available for this paper at this time.
Récemment, les embeddings de graphes de connaissances (KGEs) ont suscité une attention significative et plusieurs bibliothèques logicielles ont été développées pour l'entraînement et l'évaluation des KGEs. Alors que chacune d'elles répond à des besoins spécifiques, nous avons redessiné et réimpliqué PyKEEN, l'une des premières bibliothèques KGE, dans le cadre d'un effort communautaire. PyKEEN 1.0 permet aux utilisateurs de composer des modèles d'embeddings de graphes de connaissances (KGEMs) basés sur une large gamme de modèles d'interaction, d'approches d'entraînement, de fonctions de perte et permet la modélisation explicite des relations inverses. De plus, une optimisation automatique de la mémoire a été réalisée afin d'exploiter le matériel fourni de manière optimale, et grâce à l'intégration d'Optuna, des fonctionnalités étendues d'optimisation d'hyper-paramètres (HPO) sont proposées.
Ali et al. (Tue,) ont étudié cette question.