COLINGOct, 2020

TeRo: 基于时间旋转的知识图谱嵌入

PDF
TL;DR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。
temporal knowledge graphentity embeddingrelation reasoninglink predictiontime granularity
发现论文，激发创造
  • ChronoR: 基于旋转的时间知识图谱嵌入

    本文研究了关于时间知识图谱的推理问题，并提出了一种新的模型 Chronological Rotation embedding 用于学习实体、关系和时间的表示，通过高维度的旋转变换捕捉 Temporail Knowledge Graph 的富有交互性和多关系特征，实验结果表明 ChronoR 能够在时间知识图谱链接预测的基准数据集中胜过大多数最先进的方法。

    Mar, 2021

  • TempoQR: 在知识图谱上进行时间问题推理

    本文提出了一种基于嵌入感知的方法，名为 'Temporal Question Reasoning' (TempoQR)，用于回答复杂的基于时间的知识图谱问答。实验表明，TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点，并且更好地泛化到看不见的问题类型。

    Dec, 2021

  • RotatE：基于复杂空间关系旋转的知识图谱嵌入

    本文提出了一种称为 RotatE 的新型知识图谱嵌入方法，它能够模拟和推断各种关系模式，包括对称性 / 反对称性、倒置和组合，并使用一种新颖的自对抗负采样技术有效地训练模型，实验证明它不仅可扩展性好，而且还能够显着地优于现有的最先进模型用于链接预测。

    Feb, 2019

  • 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

  • 可解释的时间知识图谱推理用于未来链接预测

    提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

    Dec, 2020

  • 基于加性时间序列分解的时态知识图谱嵌入模型

    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。

    Nov, 2019

  • 学习序列编码器用于时间知识图谱补全

    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

  • 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

  • RotateQVS：将时间信息表示为四元数向量空间中的旋转，用于时间知识图谱补全

    本文提出了一种新颖的时间建模方法，将时间实体表示为四元数向量空间中的旋转，将关系表示为 Hamilton 四元数空间中的复向量，可以有效地捕捉到时间知识图中关系的关键模式，并可以用于链接预测任务，提高性能。

    Mar, 2022