A Three-Way Model for Collective Learning on Multi-Relational Data

論文タイトル A Three-Way Model for Collective Learning on Multi-Relational Data（ICML'11）
著者（所属） Maximilian Nickel (Ludwig-Maximilians-Universität, Munich, Germany) Volker Tresp (Siemens AG, Corporate Technology, Munich, Germany) Hans-Peter Kriegel (Ludwig-Maximilians-Universität, Munich, Germany)
論文PDF／ランディングページへのリンク http://www.cip.ifi.lmu.de/~nickel/data/slides-icml2011.pdf
論文まとめ（落合フォーマット準拠）
- どんなもの？ RESCALというGraph Embeddingに関する手法を提案．Knowledge baseを3階テンソル分解して，ノード（エンティティ）を特徴ベクトルで表現する．エンティティ分類やエンティティ同定などのタスクにおいて，既存手法より良い結果だった．
- 先行研究と比べてどこがすごい？精度だけではなく，実行時間も既存手法に比べて速い．
- 技術や手法のキモはどこ？ n x n x m のテンソルについて，n x n のスライスごとで分解する．具体的には，n x rの行列A（エンティティの潜在変数）, r x rの行列Rk（k個目のpredicateにおける潜在変数の相関），Aの転置行列に分解される．既存手法でDEDICOMという類似した手法があるが，Rkによってより多次元関係のデータに対応が可能になった．
- どうやって有効だと検証した？下記のタスクで既存手法（CP，DEDICOMなど）とAUCを比較． 1．エンティティ分類のタスク（DBpediaからデータ作成，93 x 93 x 3) 2．エンティティ同定のタスク（Cora dataset，2497 x 2497 x 7) 3．リンク予測のタスク（先行研究のデータセットに準拠） 4．エンティティのクラスタリング（同上）
- 議論はある？ 1と2の実験のデータセットにおけるpredicateの種類数は少ない印象，predicateの種類数を増やした時に結果はどうなる？
- 次に読むべき論文は？ Translating Embeddings for Modeling Multi-relational Data（http://papers.nips.cc/paper/5071-translating-embeddings-for-modeling-multi-relational-data）

tsukuba-kde / papers

A Three-Way Model for Collective Learning on Multi-Relational Data #2