Dec, 2023

学习时态知识图谱推理的多图结构

PDF
TL;DR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。
temporal knowledge graph reasoningextrapolationconcurrent structuresevolutional interactionslearning multi-graph structure
发现论文，激发创造
  • 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

  • 历史链条：通过 LLMs 进行时态知识图完善的学习和预测

    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

  • 利用大型语言模型通过历史链推理提升时间知识图预测

    基于 LLM 的时态知识图预测模型存在三个缺点，为解决这些问题，我们提出了一种称为 CoH 的历史链推理方法，以实现对高阶历史信息的有效利用，进而增强了基于图模型的 TKG 预测性能。

    Feb, 2024

  • MetaTKG：学习演化元知识以进行时间知识图推理

    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。

    Feb, 2023

  • 大型语言模型指导的时态知识图推理动态适应

    通过提出一种基于大语言模型的动态适应方法，本文研究了时间知识图谱推理中的若干挑战，包括解释性问题和适应性问题，并通过实验验证了这种方法在提高时间知识图谱推理准确性方面的有效性。

    May, 2024

  • GenTKG：时序知识图谱上的生成预测

    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

  • 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

  • HiSMatch: 基于历史结构匹配的时间知识图谱推理

    本文提出了 HiSMatch 模型，该模型应用了两个结构编码器来捕获查询和候选实体的历史结构的语义信息，并采用另一个编码器将背景知识集成到模型中，经过在六个基准数据集上的 TKG 推理实验，HiSMatch 模型的性能较现有的基线模型提高了 5.6％的 MRR。

    Oct, 2022

  • 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