Analisi delle Tecniche di Knowledge Graph Embedding: dai Modelli Geometrici alle Architetture Neurali Profonde

Il Knowledge Graph Embedding (KGE) è un compito importante nell'ambito dei grafi di conoscenza e soprattutto della Link Prediction (LP) per poter risolvere la sfida dell'incompletezza intrinseca in questa tipologia di struttura dati. Questo elaborato analizza e confronta le principali famiglie di modelli utilizzati per il KGE: i modelli geometrici, i modelli a decomposizione tensoriale e i modelli basati su reti neurali profonde. Per ciascuna di queste famiglie vengono presentati i modelli principali: TransE, TransH, TransR, RotatE e HAKE per i modelli geometrici, DistMult, ComplEx, SimplE e TuckER per i modelli a decomposizione tensoriale e ConvE, ConvR, InteractE e R-GCN per quelli basati su reti neurali profonde. L'elaborato confronta i modelli considerando le differenti caratteristiche e alcuni risultati empirici presenti nella letteratura scientifica.