Resumen: Los gráficos de conocimiento del mundo real suelen estar incompletos y carecen de muchos datos válidos. Knowledge Graph Completion (KGC) tiene como objetivo predecir los enlaces perdidos utilizando tripletas conocidas, mejorando así la cobertura del gráfico. Un desafío clave es modelar diversos patrones relacionales como simetría, antisimetría, inversión, composición y jerarquía semántica. Los modelos existentes como RotatE pueden capturar patrones de composición simétricos, antisimétricos, inversos y conmutativos, pero tienen problemas con la composición no conmutativa. Rotate3D aborda esto introduciendo la no conmutatividad a través de rotaciones tridimensionales, pero aún no logra capturar las jerarquías semánticas que prevalecen en los gráficos de conocimiento. Además, ambos modelos no pueden modelar eficazmente relaciones de uno a muchos. Para superar estas limitaciones, proponemos RelBall, que amplía Rotate3D con dos innovaciones. Primero, nuestro modelo introduce la transformación de módulos para modelar jerarquías, llevando conceptos abstractos hacia módulos más pequeños y instancias concretas hacia módulos más grandes. En segundo lugar, introduce una bola de relaciones centrada en la cola para modelar relaciones uno a uno, uno a muchos, muchos a uno y muchos a muchos. RelBall ofrece las siguientes ventajas: (1) cobertura de todos los patrones relacionales, incluidos los mencionados anteriormente; (2) una representación jerárquica interpretable donde el módulo refleja directamente niveles semánticos; (3) soporte para relaciones uno a uno, uno a muchos, muchos a uno y muchos a muchos. Los experimentos en múltiples conjuntos de datos demuestran el rendimiento competitivo de predicción de enlaces de RelBall frente a varias líneas de base.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
