时间知识库补全:新算法和评估协议
本研究首次总结了时间知识图补全方法的研究进展,包括背景、基准数据集、评估指标以及现有方法,旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。
Jan, 2022
本文提出了一种基于盒式嵌入模型 BoxE 并扩展到时间知识图谱的盒式嵌入模型 BoxTE,BoxTE 在时间设置下表现出完全的表达能力和强大的归纳能力,并在多个 TKGC 基准测试中取得了最先进的结果。
Sep, 2021
时间知识图谱的时序特性在学术界和工业界中具有重要意义,然而,由于新知识的不断涌现、从非结构化数据中提取结构化信息的算法的薄弱性以及源数据集中信息的缺乏,时间知识图谱往往存在不完整性。因此,基于已有信息预测缺失项的任务 —— 时间知识图谱补全引起了越来越多的关注。本文综述了时间知识图谱补全方法及其细节,并包含三个主要组成部分:1)背景,涵盖了时间知识图谱补全方法的基础知识,训练所需的损失函数,以及数据集和评估协议;2)内插,通过相关可用信息估计和预测缺失元素或元素集合,进一步根据处理时间信息的方式对相关时间知识图谱补全方法进行分类;3)外推,主要关注连续时间知识图谱,并预测未来事件,然后根据所使用的算法对所有外推方法进行分类。我们进一步指出了挑战并讨论了时间知识图谱补全的未来研究方向。
Aug, 2023
该研究利用四元数表示法,通过时间感知旋转和周期性时间平移在超复数空间中建模了时间敏感关系,从而在填补给定时间下时间知识图中的缺失事实方面取得了最先进的性能。
Mar, 2024
本研究使用 NeuSTIP 的神经符号模型,结合时间间隔预测,实现时态知识图形完成。通过合理使用 Allen 谓词,独特的 scoring function 方法对候选答案进行评估,效果超出当前同类研究的表现。
May, 2023
我们提出了一种名为 TEMT 的新框架,利用预训练语言模型(PLMs)来增强文本的时间性知识图谱完成。TEMT 利用存储在 PLM 参数中的知识,能够产生丰富的事实语义表示,并且对以前未见过的实体进行推广。TEMT 将 KG 中的文本和时间信息分别处理,并将它们融合以得到事实的可信度得分。与以前的方法不同,TEMT 有效捕获不同时间点之间的依赖关系,并能对未见实体进行预测。实验结果表明,TEMT 与现有技术相媲美。
Sep, 2023
Re-Temp 是一种新的模型,旨在通过引入显式的时间嵌入和在每个时间戳之后引入跳过信息流来从未来的事实中预测缺失实体,并通过两阶段的前向传播方法防止信息泄漏,通过对六个 TKGC (外推) 数据集的评估,我们证明了我们的模型在性能上优于八个最新的先进模型。
Oct, 2023
本文研究了基于时间的知识图谱中的联结预测问题,提出一种使用循环神经网络和潜在因式分解相结合的方法,以学习具有时间感知的关系类型表示,以解决现实世界知识图谱中稀疏性和异质性等问题,并在四个时间知识图谱数据集上进行了实验验证。
Sep, 2018
本文提出了一种基于预训练语言模型的 TKGC 模型 (PPT),通过将时间戳之间的间隔转换为不同的提示来提取暗示的语义信息以形成连贯的句子,并使用蒙版策略将 TKGC 任务转换为蒙版标记预测任务,有效地将时间知识图中的信息整合到语言模型中,具有较高的竞争力。
May, 2023
通过实现基于本体的情境识别技术,回答时间相关的 CQs 是一种实现本体的主要技术;本文介绍了 TKB 对准问题,计算一个变体的 TKB,该 TKB 最小程度地改变原 TKB,但能推出给定的时间 CQ,且在这个意义上是(代价)最优的;我们研究了这个问题在 ALC TKBs 和带有 LTL 运算符的连同查询上的情况,并设计了一种解决方案技术,用于计算 TKBs 的(代价最优的)对准。
Jul, 2023