تحويل المربع إلى مربع لنمذجة التسلسلات الهرمية المشتركة

تعتبر تمثيل التعلم من الكيانات والعلاقات في قواعد المعرفة المنظمة مجالا نشطا من الأبحاث، مع التركيز بكثير في اختيار الهندسة المناسبة لالتقاط الهياكل الهرمية المستغلة في علاقات ISA أو Haspart. تضيحية الصندوق (Vilnis et al.، 2018؛ لي وآخرون، 2019؛ Dasgupta et al.، 2020)، والتي تمثل المفاهيم مثل تسلسلات النفايات الأبعاد، قادرة على تضمين التسلسلات الهرمية عند التدريب على مجموعة فرعية من الإغلاق المتعتقدين. في Patel et al.، (2020)، يوضح المؤلفون أن التخفيض المتعتقدين فقط مطلوب ومواصلة توسيع نطاق مذكرات الصندوق لالتقاط التسلسلات الهرمية المشتركة عن طريق زيادة الرسم البياني مع العقد الجديدة. في حين أنه من الممكن تمثيل التسلسلات الهرمية المشتركة بهذه الطريقة، يتم فصل المعلمات لكل التسلسل الهرمي، مما يجعل التعميم بين التسلسلات الهرمية بشكل غير قابل للإصلاح. في هذا العمل، نقدم تحول مربع إلى مربع المستفاد يحترم بنية كل التسلسل الهرمي. نوضح أن هذا لا يحسن فقط القدرة على النمذجة الحواف التركيبية في النمذجة، ولكنها قادرة أيضا على التعميم من مجموعة فرعية من الحد المتعدود.

Learning representations of entities and relations in structured knowledge bases is an active area of research, with much emphasis placed on choosing the appropriate geometry to capture the hierarchical structures exploited in, for example, isa or haspart relations. Box embeddings (Vilnis et al., 2018; Li et al., 2019; Dasgupta et al., 2020), which represent concepts as n-dimensional hyperrectangles, are capable of embedding hierarchies when training on a subset of the transitive closure. In Patel et al., (2020), the authors demonstrate that only the transitive reduction is required and further extend box embeddings to capture joint hierarchies by augmenting the graph with new nodes. While it is possible to represent joint hierarchies with this method, the parameters for each hierarchy are decoupled, making generalization between hierarchies infeasible. In this work, we introduce a learned box-to-box transformation that respects the structure of each hierarchy. We demonstrate that this not only improves the capability of modeling cross-hierarchy compositional edges but is also capable of generalizing from a subset of the transitive reduction.