지식 그래프는 삼중항(triplets)으로 알려진 사실을 표현한다. 기존의 지식 그래프 임베딩 방법들은 엔터티 간의 연결 관계만을 고려하는 반면, 우리는 삼중항 간의 관계를 고려하는 방법을 제안한다. 예를 들어, 두 개의 기본 수준 삼중항 T1과 T2를 생각해 보자. 여기서 T1은 (Academy_Awards, Nominates, Avatar)이고 T2는 (Avatar, Wins, Academy_Awards)이다. 이 두 기본 수준 삼중항을 보면, T1이 T2의 선행 조건(prerequisite)임을 알 수 있다. 본 논문에서는 삼중항 사이의 관계를 나타내기 위해 PrerequisiteFor와 같은 상위 수준 관계를 가지는 상위 수준 삼중항(higher-level triplet)을 정의한다. 우리는 기본 수준과 상위 수준 삼중항으로 구성된 양층(bi-level) 지식 그래프를 정의한다. 또한, 양층 지식 그래프에서의 랜덤 워크(random walks)를 기반으로 하는 데이터 증강 전략을 제안하여 그럴듯한(가능성 있는) 삼중항을 보강한다. BiVE라고 하는 우리의 모델은 기본 수준 및 상위 수준 삼중항의 구조를 고려하고, 추가로 증강된 삼중항을 고려함으로써 임베딩을 학습한다. 우리는 두 가지 새로운 과제, 즉 삼중항 예측(triplet prediction)과 조건부 링크 예측(conditional link prediction)을 제안한다. 삼중항 T1과 상위 수준 관계가 주어졌을 때, 삼중항 예측은 예를 들어 T1을 상위 수준 관계에 의해 연결될 가능성이 높은 삼중항을 예측한다. 조건부 링크 예측은 또 다른 삼중항에 의해 조건이 주어진 상태에서, 삼중항 내의 누락된 엔터티를 예측한다. 실험 결과는 BiVE가 두 가지 새로운 과제 및 실제 양층 지식 그래프에서의 일반적인 기본 수준 링크 예측에서 모든 다른 방법들에 비해 유의미하게 더 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.