Feb, 2023

MetaTKG：学习演化元知识以进行时间知识图推理

PDF
TL;DR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。
temporal knowledge graphstkg reasoningtemporal meta-learningevolutionary meta-knowledgeadaptation
发现论文，激发创造
  • 基于演化表征学习的时间知识图谱推理

    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

  • 学习采样与聚合：少样本推理时间知识图谱

    本文研究少样本时间知识图谱推理问题，提出了 MetaTKGR 框架，通过时间监督信号对未来事实进行快速反馈，动态调整采样策略，并提供时间适应正则化器来稳定元时间推理。 在三个真实世界的时间知识图上进行的大量实验证明了 MetaTKGR 相对于最先进的基线模型的卓越性能。

    Oct, 2022

  • 基于元学习的时态知识图谱推理

    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。

    Feb, 2023

  • EvoKG: 联合建模事件时间和网络结构，用于在时间知识图上进行推理

    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

  • 时间知识图谱推理的复杂演化模式学习

    研究了时态知识图谱（TKG）的演化模式，并提出了一种基于卷积神经网络和在线学习的模型（CEN），可以预测未来的演化模式和适应演化模式的变化。

    Mar, 2022

  • 知进：基于深度时间推理的动态知识图谱

    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

  • TimeTraveler: 针对时间知识图谱预测的增强学习

    本文提出了一种基于强化学习的方法来进行时态知识图推理，该方法解决了建模未来时间信息以及处理先前未见实体的归纳推理的问题，通过在历史知识图上搜索答案，设计了相对时间编码函数以及基于 Dirichlet 分布的时间 - shaped 奖励机制，并提出了一种新颖的表示方法来提高模型的归纳推理能力，在四个基准数据集上获得了较大的性能改进。

    Sep, 2021

  • 时间感知逻辑路径神经网络用于时态知识图谱推理

    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

  • 学习时态知识图谱推理的多图结构

    提出一种创新的推理方法，重点关注时间知识图推理中的多图结构学习，以捕捉并发结构和演化交互，并融入时间语义来约束事件并缩小预测范围。

    Dec, 2023

  • 基于 Transformer 的学习时间知识图的演化事件链推理

    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