知識グラフは2つのエンティティと, それらが満たす関係の3つ組の集合で表現され, 情報抽出や質問応答, 文章理解など様々なタスクに活用されている. しかし多くは関係やエンティティの欠損を含むため, 知識の欠損をいかにして補完するかが課題となっている. そこで Translation-based Models と呼ばれるエンティティの埋め込み間の関係を遷移関数で表現するモデルを用い, 欠損しているエンティティと関係を予測する手法が注目されている. しかしこれらの多くは, 関係による推移を複数回適用するようなタスク (Path Query Answering) において, 予測精度が大幅に低下することが知られている. 本研究は, Translation-based Models において, 遷移関数とスコア関数を分離することで, この問題を解決する手法を提案する.
