ACLMar, 2022

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

PDF
TL;DR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。
temporal knowledge graphrepresentation learningrotations in quaternion vector spacehamilton's quaternion spacelink prediction
发现论文，激发创造
  • 超复数空间中的时间敏感关系下的时间知识图谱补全

    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

  • TeRo: 基于时间旋转的知识图谱嵌入

    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。

    Oct, 2020

  • 四元数知识图谱嵌入

    本研究提出了一种基于超复数表示的知识图谱嵌入方法，利用四元数来表示实体并将关系建模为四维空间中的旋转方式，实验证明此方法在关系表示学习方面表现出色并达到了当前领域最好的水平。

    Apr, 2019

  • 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

  • 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

  • 超几何知识图嵌入的 3D 旋转和平移

    该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

    May, 2023

  • 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

  • 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

  • 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

  • 时间知识库完成的张量分解

    提出一种基于四阶张量的正则化算法和 ComplEx 扩展，针对具有时间限制的链接预测问题，如 (US，has president，？，2012)，并提出了一个大于之前基准的知识库完成的新数据集，用于评估时态和不时态链接预测方法。

    Apr, 2020