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
TLogic 是一个可解释的框架,它基于通过时间随机游走提取的时间逻辑规则,用于处理时间知识图中的链接预测。与现有技术相比,在具有共同词汇表的相关数据集上,TLogic 能够更好地解释和推理,并提供更好的综合性能。
Dec, 2021
介绍了一种基于张量分解的时间知识图谱补全方法 (Time-LowFER),并提出了一种模型无关的、更广义的时间特征表示方法,实验表明该方法的表现与当前先进的语义匹配模型相当或更好。
Apr, 2022
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
传统的基于嵌入的模型通过排序问题来解决事件时间预测问题,然而往往不能很好地捕捉时间顺序和距离等关键的时间关系。本文提出 TEILP,一个自然地将这些时间要素融入到知识图谱预测中的逻辑推理框架。通过将时间知识图谱转换为具有更明确时间表示的时间事件知识图谱(TEKG),我们利用可微分随机游走方法进行时间预测。通过引入条件概率密度函数和与查询区间相关的逻辑规则,我们得出时间预测结果。与基准方法相比,我们在五个基准数据集上比较了 TEILP 的性能,结果表明我们的模型在提供可解释的解释的同时,显著改进了基线模型。特别是在训练样本有限、事件类型不平衡以及仅基于过去事件预测未来事件时间的几种情况下,TEILP 在健壮性方面优于基准模型。
Dec, 2023
我们提出了一个新颖的检索增强生成框架 GenTKG,结合了时间逻辑规则检索策略和轻量级参数效率指导,用于在时间知识图上进行生成性预测,证实了大语言模型在时间知识图领域具有巨大潜力,并开辟了时间知识图生成性预测的新领域。
Oct, 2023
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
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
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