EMNLPNov, 2023

MTGER: 多视图时间图增强的时间推理模型应用于时间相关文档

PDF
TL;DR我们提出了 MTGER，这是一个新颖的多视图时序图增强时间推理框架，用于对涉及时间的文档进行时间推理。通过多视图时序图，MTGER 显式地建模了事实之间的时间关系，实现了时间和论述关系的显式建模，并采用自适应融合机制捕捉两个视图之间的时间和事实信息。通过自监督时间比较目标，进一步提高了模型的隐式推理能力。实验结果表明我们的方法在 TimeQA 和 SituatedQA 数据集上的有效性，并且在问题干扰下给出了更一致的答案。
发现论文，激发创造
  • 双重任务对话语言理解的关系时序图推理

    本文提出了一种新的框架，其核心是关系时间图推理，通过利用其内在关联，同时解决两个相互关联的对话语言理解任务。通过集成预测级交互，我们还提出了不同于以往的显式依赖关系建模方法。通过对实验的验证，我们的模型在不同场景下都优于现有模型，尤其在灵长目数据集上的对话情感分类任务中，F1 分别比前一最佳模型提高了 28％和 34％。

    Jun, 2023

  • 将时间图融合至 Transformer 以用于时间敏感问答

    通过应用现有的时间信息提取系统构建事件、时间和时间关系的时间图，然后研究将这些图融入 Transformer 模型的不同方法，实验结果表明，我们提出的融合时间图的方法显著提高了 Transformer 模型的时间推理能力，在不进行微调的情况下，我们的方法优于各种基于图卷积的方法，在 SituatedQA 和 TimeQA 的三个分割上取得了新的最佳性能。

    Oct, 2023

  • 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

  • 活动识别的时间推理图

    本文提出了一种高效的时间推理图 (TRG), 用于同时捕捉视频序列之间的外观特征和时间关系。通过构建可学习的时间关系图来探索多尺度范围上的时间关系。在多头时间邻接矩阵的帮助下，提出了一个多头时间关系聚合器来提取那些通过图卷积计算的特征的语义含义。实验证明，通过我们的 TRG 进行时间关系推理可以提取用于活动识别的判别特征。

    Aug, 2019

  • 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

  • 基于多事实推理网络的复杂时态问答知识图谱模型

    本文提出了联合多事实推理网络（JMFRN），用于准确回答复杂的时态问题，该方法通过从时间知识图中检索问题相关的时间事实，并设计了两个不同的注意力模块（实体感知和时间感知）来聚合检索到的事实的实体和时间信息，并引入了额外的回答类型判断任务来过滤不正确的类型答案，在著名的复杂时态问题基准 TimeQuestions 上明显优于现有方法。

    Jan, 2024

  • 可解释的时间知识图谱推理用于未来链接预测

    提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

    Dec, 2020

  • 时间图：基于图的时间推理

    提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

    Jan, 2024

  • 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

  • 探索在加强了时间不变关系知识的超关系临时知识图中的链接预测

    我们填补了时态图谱推理和超关系时态图谱推理之间的差距，通过开发两个新的基准数据集以及提出一个高效模型，同时建模时间事实和限定词，并探索从 Wikidata knowledge base 中获取的额外的不随时间变化的关系知识对于高效推理的有效性。

    Jul, 2023