HyperComplEx: Adaptive Multi‑Space Embeddings verbessern Wissensgraphen

Wissensgraphen sind zentrale Strukturen für die Darstellung komplexer relationaler Daten in Wissenschaft und Wirtschaft. Doch bisherige Einbettungsmethoden stoßen bei der Modellierung vielfältiger Beziehungstypen an ihre Grenzen: Euclidische Modelle kämpfen mit Hierarchien, Vektorraummodelle erfassen Asymmetrien nicht, und hyperbolische Modelle versagen bei symmetrischen Relationen.

Die neue Methode HyperComplEx kombiniert adaptiv hyperbolische, komplexe und euklidische Räume über lernbare Aufmerksamkeitsmechanismen. Für jede Beziehung wird dynamisch die optimale Geometrie ausgewählt, während ein Multi‑Space‑Consistency‑Loss die Vorhersagen über die verschiedenen Räume hinweg konsistent hält.

In umfangreichen Tests auf Forschungs‑Wissensgraphen von 1.000 bis 10 Millionen Publikationen zeigt HyperComplEx konsequente Verbesserungen gegenüber führenden Baselines wie TransE, RotatE, DistMult, ComplEx, SEPA und UltraE. Auf dem größten Datensatz erreicht das Modell einen MRR von 0,612 – ein 4,8 %iger Anstieg gegenüber dem besten Vergleichsmodell – und liefert gleichzeitig effiziente Inferenzzeiten von 85 ms pro Triple.

Durch adaptive Dimensionen skaliert HyperComplEx nahezu linear mit der Graphgröße und bleibt dabei ressourcenschonend. Die Autoren stellen sowohl die Implementierung als auch die Datensätze zur Verfügung, um reproduzierbare Forschung im Bereich skalierbarer Wissensgraph‑Embeddings zu fördern.