本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型,以有效地模拟序列的历史事实,捕捉结构依赖性和时间上邻近事实的时序模式,并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式,从而显著提高了六个基准数据集上的时间推理任务的性能和效率。
Apr, 2021
本研究提出了一种基于时间元学习的框架 MetaTKG,旨在解决预测时序知识图谱中具有不同演化模式的数据的挑战,并通过元学习来指导模型适应未来数据和处理历史信息不足的实体,实验结果表明,该方法能够大大提高性能。
Feb, 2023
本研究提出了一种新的方法 EvoKG,能够联合建模事件时间和演化网络结构,采用循环事件建模和基于时间邻域聚合框架模拟 TKG 中的结构和时态动态,使用神经密度估计实现事件时间的准确建模,并通过实验证明了其效果和效率均比现有方法更好。
Feb, 2022
通过使用一种基于 Transformer 的推理模型 (ECEformer) 来学习事件的演化链,以及通过额外的时间预测任务来提高事件的及时性,本研究在六个基准数据集上验证了方法的先进性和有效性。
May, 2024
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
本文提出了一种新颖的深度进化知识网络,其可在动态知识图中学习非线性演变的实体表示,并通过多元点过程和基于学习实体嵌入的评分来建模事实(边)的发生。我们的方法在现实世界的两个大规模数据集上比各种关系学习方法都具有显著的性能改进;此外,我们的方法有效地预测事实的发生或再次发生时间,这是多关系推理方法中的一种新颖方法。
May, 2017
该论文提出了一种基于时间感知复制生成机制的新型表示学习模型 CyGNet。CyGNet 不仅能够从整个实体词汇表中预测未来事实,而且能够识别重复的事实,根据过去已知的事实来预测未来的事实。对五个基准数据集进行的广泛实验表明了 CyGNet 在预测未来事实以及完成知识图谱补全任务方面的有效性。
Dec, 2020
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。
本文提出了一种针对时间知识图谱 (TKG) 推理的避让机制,通过开发一种称为历史置信度估计器 (CEHis) 的置信度估计器,使现有的 TKG 推理模型能够先估计其在进行预测时的置信度,然后避免那些置信度较低的预测。实验证明所提出的 CEHis 对于代表性的 TKG 推理模型在两个基准数据集上具有有效性。
Apr, 2024