Apr, 2024

选择性时间知识图谱推理

PDF
TL;DR本文提出了一种针对时间知识图谱 (TKG) 推理的避让机制，通过开发一种称为历史置信度估计器 (CEHis) 的置信度估计器，使现有的 TKG 推理模型能够先估计其在进行预测时的置信度，然后避免那些置信度较低的预测。实验证明所提出的 CEHis 对于代表性的 TKG 推理模型在两个基准数据集上具有有效性。
temporal knowledge graphtkg reasoningabstention mechanismconfidence estimatorcehis
发现论文，激发创造
  • 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

  • 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

  • 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

  • 逻辑与常识引导的时间知识图谱补全

    本文基于一种时间知识图谱，提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型（LCGE），可充分考虑事件间的同时性和时序性，并且在常识知识的基础上，通过规则引导建立谓词嵌入标准化策略，从而提高了事件预测的准确率，并且具有可解释性。

    Nov, 2022

  • 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

  • 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

  • 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

  • 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

  • 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