- TGB 2.0: 时间知识图与异构图学习的基准评测
多关系时间图是建模现实世界数据的强大工具,研究论文介绍了用于评估方法的新的基准框架,并提供了大规模数据集,重点评估预测未来连接方法的效果。
- AMCEN: 一个基于注意力屏蔽的对比事件网络用于两阶段时间知识图推理
提出了基于注意力掩蔽的对比事件网络(AMCEN),通过局部 - 全局时间模式对未来事件进行两步预测,以更准确地推理时态知识图谱中的事件,从而解决数据集中新事件和重复事件之间不平衡影响推理准确性的问题。在 AMCEN 网络中,设计了历史和非历 - COLING通过多项式逼近建模任意时间信息用于时态知识图嵌入
通过多项式分解的时间表示和基于盒子嵌入的实体表示,我们提出了一种创新的 TKGE 方法(PTBox),以解决传统知识图谱中的时态知识表示困难和富含时间约束的推理模式缺失的问题。
- IME: 综合多曲率共享和特定嵌入以实现时间知识图谱补全
我们提出了一种新颖的多曲率共享和特定嵌入(IME)模型,用于时间知识图完成任务,模型将时间知识图建模为多曲率空间,并结合了空间共享属性和空间特定属性,通过可调的多曲率池化来有效保留重要信息,并使用相似性、差异性和结构损失函数来实现目标,实验 - 时间知识图谱的调查:表示学习和应用
通过综合调查学习了时间知识图谱表示学习及其应用,包括定义、数据集、评估指标、核心技术分类、方法分析以及与时间相关的下游应用,并对未来研究方向进行了展望。
- ICLRTILP: 在知识图谱上可微分学习时间逻辑规则
我们提出了 TILP,一个可微分的框架,用于学习时态逻辑规则并改善基准方法的性能。
- TEILP: 基于逻辑推理的知识图谱时间预测
传统的基于嵌入的模型通过排序问题来解决事件时间预测问题,然而往往不能很好地捕捉时间顺序和距离等关键的时间关系。本文提出 TEILP,一个自然地将这些时间要素融入到知识图谱预测中的逻辑推理框架。通过将时间知识图谱转换为具有更明确时间表示的时间 - AAAI将时间知识图嵌入异构几何子空间的产品空间中
时态知识图谱以丰富的静态和动态时间模式为基础,并采用嵌入方法将时间事实映射到几个具有不同几何属性的异构几何子空间,并利用时间 - 几何注意机制方便地整合来自不同几何子空间的信息。
- 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,L - 基于大型语言模型的时间知识图谱的零样本关系学习
通过将知识图谱关系的文本描述输入到大型语言模型中,我们提出了一种新的方法以解决传统知识图谱预测中的无先验图谱上下文的零样本关系建模问题,并通过引入大型语言模型增强的关系表示,使传统模型能够识别没有观察到的关系,在预测未知关系方面取得更好的性 - 从文本游戏创建时态动态知识图谱
自然语言处理中,互动文本游戏作为互动 AI 系统的测试平台,先前的研究提出通过离散知识图谱构建来玩文本游戏,为了解决之前方法的固有弱点而保持其高解释性,我们提出了一个新的神经网络建模方法:通过以时间戳图事件序列表示动态知识图谱,并使用时间点 - GradXKG: 一种通用的解释性实时知识图谱解释器
通过利用渐变信息,GradXKG 方法针对 RGCN 为基础的时间知识图谱推理模型提供及时的解释,以填补现有模型的不可解释性,并提供一种适用于各种模型的通用解释方法。
- 利用预训练语言模型预测文本增强时序知识图中的时间间隔
我们提出了一种名为 TEMT 的新框架,利用预训练语言模型(PLMs)来增强文本的时间性知识图谱完成。TEMT 利用存储在 PLM 参数中的知识,能够产生丰富的事实语义表示,并且对以前未见过的实体进行推广。TEMT 将 KG 中的文本和时间 - AAAI探讨历史信息在时态知识图外推中的极限
提出了一种名为 Contrastive Event Network (CENET) 的新的事件预测模型,基于历史对比学习的训练框架,用于在时间知识图推导中区分最有潜力与给定查询最匹配的实体,并在推断过程中使用基于掩码的策略生成最终结果。
- 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 - IJCAI通过两方面三视角标签传播打造有效高效的时态实体对齐框架
本文提出了一种有效和高效的非神经网络时空知识图谱实体对齐框架 LightTEA ,用于将不同知识图之间的实体进行对齐,提升知识融合的质量和效率。实验证明,相比于现有的同类方法,该模型能够显著提高实体对齐的效果并大幅缩短运行时间。
- 基于注意力机制的时间知识图谱推理的自适应强化学习
提出了一种基于注意力机制的自适应强化学习模型 (DREAM),该模型可有效进行缺失元素预测和多跳推理,并展现了其在公开数据集上的卓越性能。
- 跨语言时序知识图谱推理的相互匹配知识蒸馏
该研究探讨了跨语言时间知识图谱推理问题,并提出了相应的相互加速的知识蒸馏模型,用于解决在低资源语言下推理性能不佳的问题。
- 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。
- WWW面向时间知识图谱的无监督实体对齐
本文介绍了一种名为 DualMatch 的方法,这种方法在实体对齐中有效地融合了关系和时间信息,并将其转化为一种基于加权图匹配的解码器。DualMatch 具有无监督方法和能够有效捕获时间信息等优点,能够在有监督和无监督的情况下执行。实验结