Mar, 2024

超复数空间中的时间敏感关系下的时间知识图谱补全

PDF
TL;DR该研究利用四元数表示法，通过时间感知旋转和周期性时间平移在超复数空间中建模了时间敏感关系，从而在填补给定时间下时间知识图中的缺失事实方面取得了最先进的性能。
temporal knowledge graph completionquaternion representationstime-sensitive relationshypercomplex spacestate-of-the-art performance
发现论文，激发创造
  • 时间知识图谱补全：综述

    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

  • 利用箱型嵌入完成时间知识图谱

    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

  • 利用低秩和模型无关表示进行时间知识图谱推理

    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

  • RotateQVS：将时间信息表示为四元数向量空间中的旋转，用于时间知识图谱补全

    本文提出了一种新颖的时间建模方法，将时间实体表示为四元数向量空间中的旋转，将关系表示为 Hamilton 四元数空间中的复向量，可以有效地捕捉到时间知识图中关系的关键模式，并可以用于链接预测任务，提高性能。

    Mar, 2022

  • 关于时间知识图谱补全的调查：分类，进展和前景

    时间知识图谱的时序特性在学术界和工业界中具有重要意义，然而，由于新知识的不断涌现、从非结构化数据中提取结构化信息的算法的薄弱性以及源数据集中信息的缺乏，时间知识图谱往往存在不完整性。因此，基于已有信息预测缺失项的任务 —— 时间知识图谱补全引起了越来越多的关注。本文综述了时间知识图谱补全方法及其细节，并包含三个主要组成部分：1）背景，涵盖了时间知识图谱补全方法的基础知识，训练所需的损失函数，以及数据集和评估协议；2）内插，通过相关可用信息估计和预测缺失元素或元素集合，进一步根据处理时间信息的方式对相关时间知识图谱补全方法进行分类；3）外推，主要关注连续时间知识图谱，并预测未来事件，然后根据所使用的算法对所有外推方法进行分类。我们进一步指出了挑战并讨论了时间知识图谱补全的未来研究方向。

    Aug, 2023

  • 时间知识库补全：新算法和评估协议

    本文介绍了 TIMEPLEX（一种新颖的基于时间感知的知识库补全方法），用于联合实体、关系、时间的预测任务中，以及改进的 TKBC 评估协议。实验证明，TIMEPLEX 在预测任务中表现出色，并且既考虑了某些关系的可重复性，又考虑了关系对之间的时间交互作用。

    May, 2020

  • 具有关系和时间曲率的双曲时态知识图嵌入

    在 Knowledge Graph completion 中，本文提出增加负例样本数量的方法被证明可以让不考虑时间因素的 AttH 模型在 Temporal KGs 上取得比现有最优解甚至更好的表现，同时提出了考虑时间因素的 Hercules 模型，取得了竞争性或全新最优的表现。因此，在学习 Temporal KGs 时，需要注意时间因素是否真正提高了性能表现。

    Jun, 2021

  • 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

  • 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

  • 消除时间知识图谱的关系感知时间表示学习

    Re-Temp 是一种新的模型，旨在通过引入显式的时间嵌入和在每个时间戳之后引入跳过信息流来从未来的事实中预测缺失实体，并通过两阶段的前向传播方法防止信息泄漏，通过对六个 TKGC (外推) 数据集的评估，我们证明了我们的模型在性能上优于八个最新的先进模型。

    Oct, 2023