Hierarchiákat és sokszoros kapcsolatokat is kezel az új RelBall tudásgrafikon-modell

A tudásgrafikonok gyakran hiányosak, sok érvényes tény nélkül. A hiányzó kapcsolatok előrejelzésével a Knowledge Graph Completion (KGC) célja a graf lefedettségének növelése. A fő kihívást a különféle relációs minták, mint a szimmetria, antiszimmetria, inverzió, kompozíció és szemantikai hierarchia modellezése jelenti.

A RotatE és a Rotate3D modellek képesek rögzíteni bizonyos mintákat, de nem kezelik hatékonyan a nem-kommutatív kompozíciót, a szemantikai hierarchiákat, vagy az egy-többhöz relációkat. A RelBall ezekre a korlátokra kínál megoldást két újítással. Először modulus transzformációt vezet be a hierarchiák modellezésére, ahol az absztrakt fogalmak kisebb, a konkrét példák nagyobb modulusra konvergálnak, így értelmezhető hierarchikus reprezentációt biztosítva. Másodszor, egy tail-centrikus relation ball mechanizmust alkalmaz, amely képes kezelni egy-egyhez, egy-többhöz, több-egyhez és több-többhöz relációkat.

Kapcsolódó: tudásgráfnak a tulajdonságok szétválasztása

A RelBall előnye, hogy lefedi az összes fontos relációs mintát, beleértve a szimmetriát, antiszimmetriát, inverziót, kompozíciót és szemantikai hierarchiát. Emellett értelmezhető hierarchikus reprezentációt kínál, ahol a modulus közvetlenül tükrözi a szemantikai szinteket, és támogatja az egy-többhöz, több-egyhez és több-többhöz relációkat is.

Kapcsolódó: MetaKGEnrich és az LLM-ek tudásgátlása

A szerzők által végzett kísérletek több teljesítményteszt adathalmazon kimutatták a RelBall versenyképes link-predikciós teljesítményét a korábbi modellekkel szemben. Az eredmények szerint a modell képes lefedi az összes relációs mintát, beleértve a szemantikai hierarchiákat is — állítják a kutatók. A RelBall előnyomtatott formában érhető el az arXiv-on.

Kapcsolódó: komplex dokumentumokból épített tudásgráf