Apprendre de nouveaux faits à partir de bases de connaissances avec des réseaux de tenseurs neuronaux et des vecteurs de mots sémantiques

Les bases de connaissances offrent aux applications l'avantage d'une connaissance relationnelle systématique facilement accessible, mais souffrent souvent dans la pratique de leur incomplet et de leur manque de connaissance de nouvelles entités et relations. Beaucoup de travaux se sont concentrés sur la construction ou l'extension de celles-ci en trouvant des motifs dans de grands corpus de texte non annotés. En revanche, ici nous visons principalement à compléter une base de connaissances en prédisant des relations vraies supplémentaires entre les entités, sur la base des généralisations qui peuvent être discernées dans la base de connaissances donnée. Nous introduisons un modèle de réseau de tenseurs neuronaux (NTN) qui prédit de nouvelles entrées de relation pouvant être ajoutées à la base de données. Ce modèle peut être amélioré en initialisant les représentations d'entités avec des vecteurs de mots appris de manière non supervisée à partir de texte, et ce faisant, les relations existantes peuvent même être interrogées pour des entités qui n'étaient pas présentes dans la base de données. Notre modèle généralise et surpasse les modèles existants pour ce problème et peut classer des relations invisibles dans WordNet avec une précision de 75,8 %.