본 논문은 관계 특정 엔티티 변환을 활용하는 지식 그래프 임베딩에서 기존 방법들의 성능 저하 문제를 해결하기 위해 관계 의미 일관성 필터(RSCF)라는 새로운 플러그인 KGE 방법을 제안합니다. 기존 방법들은 관계별로 독립적인 변환을 사용하여 유사한 관계에 대해 서로 다른 변환과 엔티티 임베딩을 생성하고, 엔티티 기반 정규화로 인해 관계 간 구별이 어려워지는 문제점을 가지고 있습니다. RSCF는 1) 모든 관계에 공유되는 어파인 변환, 2) 변환 벡터를 엔티티 임베딩에 더하는 루트 엔티티 변환, 3) 스케일 감소 방지를 위한 변환 정규화의 세 가지 특징을 통해 일관성 있는 엔티티 변환을 구현합니다. 또한, 관계 변환 및 예측 모듈을 추가하여 임베딩의 의미를 보존하는 일관성의 장점을 강화합니다. 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.
