この記事では、球面知識グラフ埋め込み（SKGE）という新しい手法を提案しています。この手法は、従来の知識グラフ埋め込み（KGE）が面していた限界を克服することを目指しています。従来のモデルはユークリッド空間で動作するため、複雑な関係をモデル化することが難しく、非効率な学習につながることがあります。SKGEは、エンティティの表現をハイパー球というコンパクトな多様体に制約することで、この問題を解決します。特に、大規模ベンチマークデータセットであるFB15k-237やCoDEx-Mにおいて、SKGEは強力なユークリッドモデルであるTransEを一貫して大幅に上回る性能を示しました。さらに、幾何学的な制約が正則化として機能し、トリビアルなネガティブサンプリングを排除し、よりロバストな表現を学習させる環境を提供することを実証しました。この研究は、次世代の強力で安定したKGEモデル設計において、幾何的事前知識の重要性を強調しています。