본 논문은 지식 그래프 임베딩에서 관계 특정 엔티티 변환을 활용하여 성능을 향상시키는 기존 연구의 한계를 해결하는 새로운 방법인 RSCF(Relation-Semantics Consistent Filter)를 제안합니다. 기존 방법들은 관계별로 독립적으로 변환을 정의하여 유사한 관계에 대해 상이한 변환이 적용될 수 있으며, 엔티티 기반 정규화로 인해 관계 간 구별이 모호해지는 문제점을 가지고 있습니다. RSCF는 관계 임베딩의 공유된 어파인 변환, 루트 엔티티 변환, 변환 벡터의 크기 정규화라는 세 가지 특징을 통해 의미적 일관성을 높입니다. 또한, 관계 변환 및 예측 모듈을 추가하여 임베딩의 의미를 보존하는 일관성의 장점을 증폭시킵니다. 결과적으로, 거리 기반 및 텐서 분해 모델을 사용하는 지식 그래프 완성 작업에서 RSCF는 최첨단 KGE 방법들을 능가하는 성능을 보이며, 모든 관계 및 관계 빈도에 대해 강건함을 보여줍니다.
