时间知识图谱补全:综述
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
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
在这篇论文中,我们研究了与真实世界建设场景相关的三个重要过程:验证过程,挖掘过程和训练过程,并通过整合这三个过程引入了渐进式知识图谱完成(PKGC)任务,以模拟在真实世界场景中逐步完善知识图谱的过程。此外,为了加快 PKGC 处理,我们提出了两个加速模块:优化的 Top-k 算法和语义有效性过滤器,这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能,更深入的分析揭示了影响结果的关键因素,并为未来的研究提供了潜在的方向。
Apr, 2024
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
本文旨在探讨在大型知识图谱中自动预测缺失链接的 KGC 技术,针对最近几篇高水平论文达到的高性能,提出了一个简单的评估协议来解决模型偏差的问题,并使用该协议对几种现有方法进行了广泛的实验,同时公开了可复现的代码。
Nov, 2019
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
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
本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结,提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法,以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题,并在不同领域的预测任务中应用 FKGC 模型。
Jan, 2023
该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法,其中利用元学习和新构建的数据集来实现对未见实体的归纳学习,在此基础上提出了概念感知模型来提高模型比较性能。
Nov, 2022
本文介绍了 TIMEPLEX(一种新颖的基于时间感知的知识库补全方法),用于联合实体、关系、时间的预测任务中,以及改进的 TKBC 评估协议。实验证明,TIMEPLEX 在预测任务中表现出色,并且既考虑了某些关系的可重复性,又考虑了关系对之间的时间交互作用。
May, 2020