본 논문은 다중 모드 지식 그래프(MMKG) 표현 학습에서 고품질 다중 모드 엔티티 표현을 학습하는 것을 목표로 합니다. 특히 MMKG 완성(MMKGC)과 같은 MMKG 내 추론 작업을 향상시키는 데 중점을 둡니다. 기존 방법들은 엔티티별 다중 모드 융합 전략에 초점을 맞추지만, 다양한 관계적 맥락에서 모드 내에 숨겨진 다중 관점 특징을 활용하는 것을 간과합니다. 이 문제를 해결하기 위해, 본 논문은 모드 지식 전문가 혼합(MoMoK)이라는 새로운 프레임워크를 제시하여 더 나은 MMKGC를 위한 적응형 다중 모드 엔티티 표현을 학습합니다. 관계 기반 모드 지식 전문가를 설계하여 관계 인식 모드 임베딩을 획득하고 다중 모드의 예측을 통합하여 공동 의사 결정을 달성합니다. 또한, 전문가 간의 상호 정보를 최소화하여 전문가를 분리합니다. 네 개의 공개 MMKG 벤치마크에 대한 실험은 복잡한 시나리오에서 MoMoK의 뛰어난 성능을 보여줍니다.
