基于历史对比学习的时间知识图谱推理
提出了一种名为 Contrastive Event Network (CENET) 的新的事件预测模型,基于历史对比学习的训练框架,用于在时间知识图推导中区分最有潜力与给定查询最匹配的实体,并在推断过程中使用基于掩码的策略生成最终结果。
Aug, 2023
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
提出了基于注意力掩蔽的对比事件网络(AMCEN),通过局部 - 全局时间模式对未来事件进行两步预测,以更准确地推理时态知识图谱中的事件,从而解决数据集中新事件和重复事件之间不平衡影响推理准确性的问题。在 AMCEN 网络中,设计了历史和非历史注意力掩蔽向量,以控制对历史和非历史实体的注意偏向,从而减轻不平衡。提出了局部 - 全局消息传递模块,全面考虑和捕捉多跳结构依赖和局部 - 全局时间演变,深入探索不同事件类型的潜在影响因素。使用对比事件分类器将局部 - 全局时间模式纳入对比学习,更准确地分类事件。因此,AMCEN 通过对比事件分类的结果细化预测范围,并利用基于注意力掩蔽的解码器最终确定特定结果。在四个基准数据集上的实验结果突出了 AMCEN 的优越性,特别是在 Hits@1 方面的显著改进,证明 AMCEN 可以更精确地预测未来事件的发生。
May, 2024
利用对比学习的方法,我们提出了基于本地与全局历史信息的对比学习模型 (LogCL),用于时态知识图推理,该模型通过实体感知注意机制捕捉与查询相关的关键历史信息,并设计了四种历史查询对比模式,从而提高了模型的鲁棒性和预测性能。实验结果表明,LogCL 相较于现有基准模型取得了更好且更鲁棒的性能。
Dec, 2023
本篇论文提出了一种使用循环事件网络的方法,针对具有时间戳的知识图谱中的推理问题,通过对已知事实的模型化预测未来事件,通过对未来时间戳上的链接预测实现多步推理。
Apr, 2019
ChapTER 是一种基于对比的历史建模框架,通过引入前缀调整方法来在不同设置下为 TEmporal Reasoning 任务提供计算能力,实现了对比估计,从而在各种复杂场景下发挥了基于文本的模型的潜力。
Mar, 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
采用对比度表示学习方法的实体和事件共指解析技术,通过仅在推理时进行 n 个转换器计算的对比度学习技术,实现了对 ECB + 语料库关键指标的最先进结果和其他指标的竞争性。
May, 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
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