Enrichissement de fonctions de perte avec contraintes de domaine et co-domaine pour la prédiction de liens dans les graphes de connaissance
Résumé
Knowledge graph embedding models used for link prediction are trained with loss functions w.r.t. a batch of labeled triples. Traditional approaches consider the label of a triple to be either true or false. We posit that negative triples that are semantically valid regarding relation’s domain and range should be treated differently from semantically invalid ones. We then propose semantic-driven versions for the three main loss functions for link prediction. The generality and superiority of our approach is clearly demonstrated on three public benchmarks.
Les modèles à base d’embeddings pour la prédiction de liens dans les graphes de connaissance sont entrainés avec des fonctions de perte. Les approches traditionnelles considèrent que l’étiquette d’un triplet est soit vraie, soit fausse. Nous affirmons que les triplets négatifs qui sont sémantiquement valides au regard du profil de la relation devraient être traités différemment de ceux sémantiquement invalides. Nous proposons des fonctions de perte guidées par la sémantique. La généralité et la supériorité de notre approche sont clairement établies sur trois jeux de données publics.
Origine : Fichiers produits par l'(les) auteur(s)
