该研究提出了一种名为 LinkLogic 的简单连接预测解释方法，并构建了第一个基于家族结构的连接预测解释基准，以定量和定性评估生成的解释的忠实度、选择性和相关性。

Jun, 2024

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

我们提出了 TILP，一个可微分的框架，用于学习时态逻辑规则并改善基准方法的性能。

Feb, 2024

传统的基于嵌入的模型通过排序问题来解决事件时间预测问题，然而往往不能很好地捕捉时间顺序和距离等关键的时间关系。本文提出 TEILP，一个自然地将这些时间要素融入到知识图谱预测中的逻辑推理框架。通过将时间知识图谱转换为具有更明确时间表示的时间事件知识图谱（TEKG），我们利用可微分随机游走方法进行时间预测。通过引入条件概率密度函数和与查询区间相关的逻辑规则，我们得出时间预测结果。与基准方法相比，我们在五个基准数据集上比较了 TEILP 的性能，结果表明我们的模型在提供可解释的解释的同时，显著改进了基线模型。特别是在训练样本有限、事件类型不平衡以及仅基于过去事件预测未来事件时间的几种情况下，TEILP 在健壮性方面优于基准模型。

Dec, 2023

本文基于一种时间知识图谱，提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型（LCGE），可充分考虑事件间的同时性和时序性，并且在常识知识的基础上，通过规则引导建立谓词嵌入标准化策略，从而提高了事件预测的准确率，并且具有可解释性。

Nov, 2022

本文提出了一种基于强化学习的方法来进行时态知识图推理，该方法解决了建模未来时间信息以及处理先前未见实体的归纳推理的问题，通过在历史知识图上搜索答案，设计了相对时间编码函数以及基于 Dirichlet 分布的时间 - shaped 奖励机制，并提出了一种新颖的表示方法来提高模型的归纳推理能力，在四个基准数据集上获得了较大的性能改进。

Sep, 2021

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

该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

Mar, 2019

提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

Jan, 2024

本论文提出了一种新颖的方法，将时间链接预测视为历史事件链中的事件生成任务，并通过有效的微调方法将 LLMs 适应特定的图文本信息和时间线中发现的模式。此外，我们引入了基于结构的历史数据增强和逆向知识的整合，以强调 LLMs 对结构信息的认知，从而提高其推理能力。通过在多个广泛使用的数据集上进行彻底的实验，我们发现我们的微调模型在多个度量标准上优于现有的基于嵌入的模型，达到了最先进水平，并进行了充分的消融实验，探索 LLMs 在执行结构化时间知识推断任务时的关键影响因素。

Jan, 2024