Décompositions tensorielle pour la complétion de bases de connaissances temporelles

La plupart des algorithmes pour l'apprentissage de représentations et la prédiction de liens dans les données relationnelles ont été conçus pour des données statiques. Cependant, les données auxquelles ils sont appliqués évoluent généralement avec le temps, comme les graphes d'amis dans les réseaux sociaux ou les interactions des utilisateurs avec les articles dans les systèmes de recommandation. C'est également le cas des bases de connaissances, qui contiennent des faits tels que (États-Unis, a un président, B. Obama, 2009-2017) qui ne sont valables qu'à certains moments. Pour le problème de la prédiction de liens sous des contraintes temporelles, c'est-à-dire répondre à des requêtes telles que (États-Unis, a un président, ?, 2012), nous proposons une solution inspirée de la décomposition canonique des tenseurs d'ordre 4. Nous introduisons de nouveaux schémas de régularisation et présentons une extension de ComplEx (Trouillon et al., 2016) qui atteint des performances de pointe. De plus, nous proposons un nouvel ensemble de données pour la complétion de bases de connaissances construit à partir de Wikidata, plus grand que les références précédentes par un ordre de grandeur, comme nouvelle référence pour évaluer les méthodes de prédiction de liens temporels et non temporels.