题目： InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions

摘要： 现有的大多数知识图谱是不完整的，这个问题是可以通过基于已知事实推断缺失的链接来进行缓解的。目前一种流行的方法是通过生成实体和关系的低维嵌入，并使用它们进行推断。ConvE是最近提出的一种方法，它将卷积滤波器应用于实体和关系嵌入的 2D重构，以捕获它们之间的交互信息。然而，ConvE捕获的交互作用的量是有限的。在这篇文章中，我们分析了增加这些相互作用的数量如何影响链路预测性能，并利用我们的观察提出了InteractE。InteractE基于三个关键思想:特征排列、新颖的特征重塑和循环卷积。通过大量的实验，我们发现InteractE在FB15k-237上的性能优于最先进的卷积链路预测基线方法。此外，在FB15k-237、WN18RR和YAGO3-10数据集上，InteractE的MRR评分分别比ConvE高9%、7.5%和23%。结果验证了我们的假设，即增加特征交互有助于提高链接预测性能。