YAGOの因子分解

構造化情報は、セマンティックウェブのLinked Open Data（LOD）クラウドにおいて広範囲にわたって公開されており、その規模は急速に成長し続けています。しかし、この情報に対する推論やクエリを通じてのアクセスは、LODのサイズ、部分的なデータの不整合性、そして固有のノイズ性のために、時には困難です。機械学習は、LODのデータを活用するための代替アプローチを提供し、機械学習アルゴリズムが通常、ノイズやデータの不整合性に対して堅牢であり、データ内の非決定的依存関係を効率的に利用できる利点があります。機械学習の観点から見ると、LODはそのリレーショナル性と規模のために課題があります。ここでは、数百万のエンティティ、数百の関係、および数十億の既知の事実からなるデータにスケールするスパーステンソルの因子分解に基づく、LODデータに対するリレーショナル学習への効率的なアプローチを提示します。さらに、オントロジー知識を因子分解に取り入れて学習結果を改善する方法や、計算を複数のノードに分散させる方法を示します。我々のアプローチは、YAGO~2コアオントロジーを因子分解し、単一のデュアルコアデスクトップコンピュータを使用して、この大規模知識ベースに対するステートメントの全体的な予測を行うことができることを示します。さらに、我々のアプローチがLinked Dataに関連するいくつかのリレーショナル学習タスクにおいて良好な結果を達成することを実験的に示します。因子分解が計算された後、我々のモデルは効率的に予測を行うことができ、追加のトレーニングなしで、YAGO~2コアオントロジー内の4.3 ⋅ 10^{14}の可能なトリプルのいずれかの発生確率を予測できます。