EMNLPOct, 2020

TeMP：时间知识图谱补全的时间消息传递

PDF
TL;DR提出了 Temporal Message Passing (TeMP) 框架，通过结合图神经网络、时间动力学模型、数据填充和基于频率的门控技术来解决时态知识图中缺失事实的问题，实验表明我们的方法相较于现有的方法提高了 10.7％的平均相对精度，并提出了几个简单却强大的基线模型在某些情况下可以超越现有的最佳结果。
temporal knowledge graphstemp frameworkdata imputationgraph neural networkstemporal dynamics models
发现论文，激发创造
  • 知识图谱多跳推理的类型感知嵌入

    本文提出了一种新颖的基于 TypE-aware 信息传递（TEMP）模型，它通过加强查询中的实体和关系表示，并同时提高了概括推理、演绎推理和归纳推理，来利用知识库中关键的语义知识，从而提高现有嵌入式模型的性能。实验结果表明其有效性。

    May, 2022

  • 时间感知逻辑路径神经网络用于时态知识图谱推理

    TiPNN 模型以历史时间图为基础，采用统一的图结构来全面捕捉和封装历史信息，并利用查询感知的时间路径模拟与查询相关的历史路径信息，从而实现对时间知识图的推理，并在归纳设置下取得显著性能提升。

    Sep, 2023

  • 利用预训练语言模型预测文本增强时序知识图中的时间间隔

    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

  • 利用箱型嵌入完成时间知识图谱

    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

  • 消除时间知识图谱的关系感知时间表示学习

    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

  • 基于搜索的时态知识图谱补全消息传递技术

    本研究提出了基于神经网络架构搜索 (NAS) 的方法，用于 TKG 补全问题，并通过在三个基准数据集上进行广泛实验，证明所搜索的架构可以实现 SOTA 性能。同时，搜索模型还可以隐含地揭示不同 TKG 的多样性属性。

    Oct, 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

  • 基于元学习的时态知识图谱推理

    本文介绍了一种基于元学习的时间知识图谱外推模型（MTKGE），该模型在已知时间知识图谱中进行链接预测任务的元训练，并在具有未知实体和关系的新兴时间知识图谱中进行测试。通过捕获关系的相对位置模式和时间序列模式的 GNN 框架，学习模式的嵌入可以转移到未知组件。实验结果表明 MTKGE 模型在两个不同的时间知识图谱外推数据集上均优于现有的知识图谱外推和特定自适应 KGE 和 TKGE 基线的最新模型。

    Feb, 2023

  • 带提示的预训练语言模型用于时间知识图谱补全

    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

  • GenTKG：时序知识图谱上的生成预测

    我们提出了一个新颖的检索增强生成框架 GenTKG，结合了时间逻辑规则检索策略和轻量级参数效率指导，用于在时间知识图上进行生成性预测，证实了大语言模型在时间知识图领域具有巨大潜力，并开辟了时间知识图生成性预测的新领域。

    Oct, 2023