利用低秩和模型无关表示进行时间知识图谱推理
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
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
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
文章介绍了一个新框架 Time-aware Incremental Embedding (TIE),可用于支持频繁更新的时间知识图谱(TKG)的完整性补充任务(TKGC),提高了系统的效率,降低了训练时间。
Apr, 2021
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
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
本文研究了基于时间的知识图谱中的联结预测问题,提出一种使用循环神经网络和潜在因式分解相结合的方法,以学习具有时间感知的关系类型表示,以解决现实世界知识图谱中稀疏性和异质性等问题,并在四个时间知识图谱数据集上进行了实验验证。
Sep, 2018
通过多项式分解的时间表示和基于盒子嵌入的实体表示,我们提出了一种创新的 TKGE 方法(PTBox),以解决传统知识图谱中的时态知识表示困难和富含时间约束的推理模式缺失的问题。
May, 2024
本研究首次总结了时间知识图补全方法的研究进展,包括背景、基准数据集、评估指标以及现有方法,旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。
Jan, 2022
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