Prediction performance For a more q

Prediction performance For a more quantitative
analysis, we have generated a new test dataset
of link prediction on quadruples on FB15K. This
test set was created by generating the paths from
the usual test set (the triple test set) and removing
those quadruples that are used for training. We
obtain 1,852 quadruples. The overall experimental
protocol is the same as before, trying to predict
the head or tail of these quadruple in turn.
On that evaluation protocol, RTRANSE has a
mean rank of 114.0 and a H@10 of 68.2%, while
TRANSE obtains a mean rank of 159.9 and a
H@10 of 65.2% (using the same models as in the
previous subsection). We can see that learning
on paths improves performances on both metrics,
with a gain of 3% in terms of H@10 and an important
gain of about 46 in mean rank, which corresponds
to a relative improvement of about 30%.
4 Conclusion
We have proposed to learn embeddings of compositions
of relationships in the translation model for
link prediction in KBs. Our experimental results
show that this approach is promising.
We considered in this work a restricted set of
small paths of length two. We leave the study of
more general paths to future work.
Acknowledgments
This work was carried out in the framework of
the Labex MS2T (ANR-11-IDEX-0004-02), and
was funded by the French National Agency for Research
(EVEREST-12-JS02-005-01).

Kết quả (Việt) 1:

Dự đoán hiệu suất cho hơn định lượngphân tích, chúng tôi đã tạo ra một tập dữ liệu thử nghiệm mớicủa liên kết các dự đoán trên quadruples ngày FB15K. Điều nàykiểm tra thiết lập được tạo ra bằng cách tạo ra các đường dẫn từCác thử nghiệm thông thường đặt (tập ba thử nghiệm) và loại bỏnhững quadruples được sử dụng để huấn luyện. Chúng tôicó được 1.852 quadruples. Thử nghiệm tổng thểgiao thức là giống như trước, cố gắng để dự đoánngười đứng đầu hoặc đuôi của những bốn lần lượt.Trên giao thức đánh giá, RTRANSE có mộtcó nghĩa là xếp hạng của 114.0 và H@10 68,2%, trong khiTRANSE lấy được một đánh giá trung bình của 159.9 và mộtH@10 65,2% (bằng cách sử dụng các mô hình tương tự như trong cácTiểu mục trước đó). Chúng ta có thể thấy rằng học tậptrên đường đi cải thiện màn trình diễn trên cả hai số liệu,với một tăng 3% trong điều khoản của H@10 và một điều quan trọngđạt được khoảng 46 trong xếp hạng trung bình, tương ứngđể một cải tiến tương đối của khoảng 30%.4 kết luậnChúng tôi đã đề xuất để tìm hiểu embeddings của tác phẩmmối quan hệ trong các mô hình dịch choliên kết các dự đoán trong KBs. Các kết quả thử nghiệmcho thấy rằng cách tiếp cận này là đầy hứa hẹn.Chúng tôi xem xét trong công việc này một bộ bị hạn chếcon đường nhỏ của chiều dài hai. Chúng tôi rời khỏi việc nghiên cứuTổng quát hơn đường dẫn đến công việc trong tương lai.AcknowledgmentsCông việc này được thực hiện trong khuôn khổLabex MS2T (ANR-11-Trung-0004-02), vàđược tài trợ bởi các cơ quan quốc gia pháp nghiên cứu(EVEREST-12-JS02-005-01).

Kết quả (Việt) 2:

Hiệu suất dự đoán Đối với một định lượng
phân tích, chúng tôi đã tạo ra một tập dữ liệu thử nghiệm mới
của dự đoán liên kết trên gấp bốn lần vào FB15K. Điều này
thiết lập thử nghiệm đã được tạo ra bằng cách tạo ra các đường dẫn từ
các bộ thử nghiệm thông thường (tập kiểm tra ba) và loại bỏ
những gấp bốn lần được sử dụng cho đào tạo. Chúng tôi
có được 1.852 gấp bốn lần. Các thí nghiệm tổng thể
giao thức là giống như trước, cố gắng để dự đoán
người đứng đầu hoặc đuôi của các tăng gấp bốn lần trong lượt.
Trên đó giao thức đánh giá, RTRANSE có một
thứ hạng trung bình 114,0 và H @ 10 của 68,2%, trong khi
Transe có được một thứ hạng trung bình của 159,9 và
H @ 10 của 65,2% (bằng cách sử dụng các mô hình tương tự như trong các
phần trước). Chúng ta có thể thấy rằng việc học
trên con đường cải thiện màn trình diễn trên cả số liệu,
với mức tăng 3% về H @ 10 và quan trọng
đạt được trong khoảng 46 trong xếp hạng trung bình, tương ứng
với tăng tương đối khoảng 30%.
4 Kết luận
Chúng tôi đã được đề xuất để tìm hiểu embeddings các tác phẩm
của các mối quan hệ trong mô hình dịch cho
dự đoán liên kết trong KBs. Kết quả thực nghiệm
cho thấy phương pháp này được hứa hẹn.
Chúng tôi xem xét trong công việc này một bộ giới hạn của
con đường nhỏ có chiều dài hai. Chúng tôi rời khỏi nghiên cứu về
con đường tổng quát hơn cho công việc tương lai.
Lời cảm ơn
Công trình này được thực hiện trong khuôn khổ của
các LABEX MS2T (ANR-11-IDEX-0004-02), và
được tài trợ bởi Cơ quan Nghiên cứu Quốc gia Pháp
(EVEREST- 12-JS02-005-01).