Transformações de Relação Ortogonal com Modelagem de Contexto de Gráfico para Embedding de Gráfico de Conhecimento

Embeddings de gráfico de conhecimento baseados em distância demonstraram uma melhora substancial na tarefa de previsão de links de gráfico de conhecimento, desde o TransE até o mais recente RotatE de última geração. No entanto, relações complexas como N-para-1, 1-para-N e N-para-N ainda permanecem desafiadoras de prever. Neste trabalho, propomos uma nova abordagem baseada em distância para previsão de links de gráfico de conhecimento. Primeiro, estendemos o RotatE do domínio complexo 2D para espaço de alta dimensão com transformações ortogonais para modelar relações. O embedding de transformação ortogonal para relações mantém a capacidade de modelar relações simétricas/anti-simétricas, inversas e compostas, enquanto alcança uma melhor capacidade de modelagem. Em segundo lugar, o contexto do gráfico é integrado diretamente às funções de pontuação de distância. Especificamente, o contexto do gráfico é modelado explicitamente através de duas representações de contexto direcionadas. Cada embedding de nó no gráfico de conhecimento é aumentado com duas representações de contexto, que são calculadas a partir dos nós/arestas vizinhos de saída e entrada, respectivamente.