Performing link prediction in Knowl

Performing link prediction in Knowledge
Bases (KBs) with embedding-based models,
like with the model TransE (Bordes et
al., 2013) which represents relationships
as translations in the embedding space,
have shown promising results in recent
years. Most of these works are focused on
modeling single relationships and hence
do not take full advantage of the graph
structure of KBs. In this paper, we propose
an extension of TransE that learns to
explicitly model composition of relationships
via the addition of their corresponding
translation vectors. We show empirically
that this allows to improve performance
for predicting single relationships
as well as compositions of pairs of them.

Kết quả (Việt) 2:

Thực hiện dự đoán liên kết trong kiến thức
căn cứ (KBS) với nhúng dựa trên mô hình,
giống như với các mô hình Transe (Bordes et
al., 2013) đại diện cho các mối quan hệ
như các bản dịch trong không gian nhúng,
đã cho kết quả đầy hứa hẹn trong gần đây
nhiều năm. Hầu hết các công trình này tập trung vào việc
mô hình hóa các mối quan hệ duy nhất và do đó
không tận dụng lợi thế đầy đủ của đồ thị
cấu trúc của KBS. Trong bài báo này, chúng tôi đề xuất
một phần mở rộng của Transe rằng học để
mô hình một cách rõ ràng thành phần của mối quan hệ
thông qua việc bổ sung tương ứng của họ
vectơ dịch. Chúng tôi chỉ cho thực nghiệm
điều này cho phép cải thiện hiệu suất
để dự đoán mối quan hệ duy nhất
cũng như các sáng tác của các cặp trong số họ.