RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space

Nous étudions le problème de l’apprentissage des représentations des entités et des relations dans les graphes de connaissance pour prédire les liens manquants. Le succès d’une telle tâche repose en grande partie sur la capacité de modélisation et de déduction des modèles de relations (ou entre celles-ci). Dans cet article, nous présentons une nouvelle approche pour l’intégration de graphes de connaissance appelée RotatE, qui permet de modéliser et d’inférer divers modèles de relations, notamment: symétrie / antisymétrie, inversion et composition. Plus précisément, le modèle RotatE définit chaque relation comme une rotation de l’entité source vers l’entité cible dans l’espace vectoriel complexe. De plus, nous proposons une nouvelle technique d’échantillonnage négative auto-contradictoire pour une formation efficace du modèle RotatE. Les résultats expérimentaux de plusieurs graphiques de connaissances montrent que le modèle RotatE proposé est non seulement évolutif, mais également capable d’inférer et de modéliser divers modèles de relations et de surperformer de manière significative les modèles de pointe existants pour la prédiction de liens.