Mar, 2024

RLGNet: 重复 - 本地 - 全局历史网络用于时态知识图推理

PDF
TL;DR通过使用 extbf {R} epetitive- extbf {L} ocal- extbf {G} lobal History extbf {Net} work (RLGNet)，我们提出了一个基于历史信息的方法，既考虑了全局视角又关注了局部视角，同时能够学习频繁发生的历史事件，并在多步和单步推理任务中显著优于现有的时间知识图推理模型。
temporal knowledge graphhistorical informationglobal viewlocal viewfrequently occurring historical events
发现论文，激发创造
  • 本地 - 全局、历史感知的对比学习用于时间知识图推理

    利用对比学习的方法，我们提出了基于本地与全局历史信息的对比学习模型 (LogCL)，用于时态知识图推理，该模型通过实体感知注意机制捕捉与查询相关的关键历史信息，并设计了四种历史查询对比模式，从而提高了模型的鲁棒性和预测性能。实验结果表明，LogCL 相较于现有基准模型取得了更好且更鲁棒的性能。

    Dec, 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

  • 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

  • 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

  • 从历史中学习：用序列复制生成网络对时间知识图进行建模

    该论文提出了一种基于时间感知复制生成机制的新型表示学习模型 CyGNet。CyGNet 不仅能够从整个实体词汇表中预测未来事实，而且能够识别重复的事实，根据过去已知的事实来预测未来的事实。对五个基准数据集进行的广泛实验表明了 CyGNet 在预测未来事实以及完成知识图谱补全任务方面的有效性。

    Dec, 2020

  • 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

  • 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

  • 历史中寻找现在的原因：基于时间知识图谱的两阶段推理

    CluSTeR 使用增强学习与图卷积网络以两个阶段的方式实现预测未来事件的功能，并在四个数据集上成功验证了其高效性和可解释性。

    Jun, 2021

  • 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