Nov, 2019

基于加性时间序列分解的时态知识图谱嵌入模型

PDF
TL;DR提出了一种将时间信息嵌入到实体 / 关系表示中的 ATiSE 方法，通过加性时间序列分解将时间信息与 KG 嵌入模型相结合，在四个时间 KG 上的实验结果表明其具有优秀的链接预测性能。
knowledge graphembeddingtemporal informationatiselink prediction
发现论文，激发创造
  • 基于几何代数嵌入的静态和时态知识图完成

    本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

    Feb, 2022

  • 时间知识图谱补全的历时嵌入

    本研究提出采用一种新的方法，通过为静态模型提供时间性实体嵌入功能，建立了广泛适用的时间性知识图完成模型，证明结合 SimplE 模型，该模型能优于现有模型。

    Jul, 2019

  • TeRo: 基于时间旋转的知识图谱嵌入

    本文提出了基于复向量空间的实体嵌入旋转方法 TeRo 用于处理包含时间信息的知识图谱（TKG），结合对起止时间进行双重嵌入，解决了现有 KG 嵌入模型的局限性，通过在不同 TKG 数据集上进行实验，TeRo 在链接预测方面表现出优异性能，同时分析了时间粒度对于链接预测的作用。

    Oct, 2020

  • 时间感知图神经网络用于时态知识图之间的实体对齐

    本文研究子问题 - 在时间性知识图之间进行实体对齐，提出了一种基于图神经网络的时态感知实体对齐方法。实验证明，该方法在多个实际应用场景中明显优于现有技术。

    Mar, 2022

  • SSTKG: 简单时空知识图谱的解释性和多功能动态信息嵌入

    本文介绍了一种新的框架：Simple Spatio-Temporal Knowledge Graph (SSTKG)，用于构建和探索时空知识图谱。通过新的三步嵌入方法，将时空数据整合到知识图谱中，输出嵌入可用于未来时间序列预测和空间信息推荐，提供了对零售销售预测、交通量预测等多种应用的有价值的洞察。该框架简单而全面，能够增强预测的准确性和推荐的相关性，为知识图谱中时空数据的更有效利用铺平了道路，对多个领域具有潜在的影响。

    Feb, 2024

  • 通过多项式逼近建模任意时间信息用于时态知识图嵌入

    通过多项式分解的时间表示和基于盒子嵌入的实体表示，我们提出了一种创新的 TKGE 方法（PTBox），以解决传统知识图谱中的时态知识表示困难和富含时间约束的推理模式缺失的问题。

    May, 2024

  • TIE：一种基于嵌入的增量式时间知识图谱补全框架

    文章介绍了一个新框架 Time-aware Incremental Embedding (TIE)，可用于支持频繁更新的时间知识图谱（TKG）的完整性补充任务（TKGC），提高了系统的效率，降低了训练时间。

    Apr, 2021

  • 序列到序列的知识图谱补全与问答

    本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

    Mar, 2022

  • 时间感知图嵌入：一种时序平滑和任务导向的方法

    本研究提出了一种名为 Robustly Time-aware Graph Embedding (RTGE) 的方法，通过融合更多的时间平滑性来提高知识图谱嵌入的性能，并提供了一种基于任务和时间感知的负采样策略，最终在多项基准任务中展现出更好的预测性能。

    Jul, 2020

  • 一种简单的时间信息匹配机制，用于时态知识图之间的实体对齐

    本研究提出了一种使用图神经网络和时间信息匹配机制的方法，用于在时间知识图中实现实体对齐，并且提出了自动生成无监督对齐种子的方法，经过实验证明，该方法在性能和效率方面优于以往方法。

    Sep, 2022