- 建模带有不确定性的时间知识图谱的演化
本研究采用新型 WGP-NN 图神经网络架构,结合高斯过程对事件发生概率的时间演化及其不确定性进行联合建模,能够在表示实体不确定性的基础上,预测未来链接的不确定性,并且可以连续时间建模 tKG 的复杂时空动态,经测试在两个真实世界基准数据集 - 利用概念感知信息在时间知识图上进行小样本归纳学习
该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法,其中利用元学习和新构建的数据集来实现对未见实体的归纳学习,在此基础上提出了概念感知模型来提高模型比较性能。
- EMNLP基于搜索的时态知识图谱补全消息传递技术
本研究提出了基于神经网络架构搜索 (NAS) 的方法,用于 TKG 补全问题,并通过在三个基准数据集上进行广泛实验,证明所搜索的架构可以实现 SOTA 性能。同时,搜索模型还可以隐含地揭示不同 TKG 的多样性属性。
- 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 - 通过曲率可变双曲空间中的自回归建模来弯曲未来:时间知识图谱
文章提出 HyperVC,使用超几何空间来表示基于时间序列的时间变化知识图中的层次关系,通过调整实体和关系的曲率来表示其不同的层次,实验结果显示,超几何嵌入可以在具有较高层次关系的数据集上大幅提高性能。
- 基于时间知识图谱的问答预测
本文提出了一种新的任务:在时间知识图谱上进行预测问答,同时还提出了一个大规模 TKGQA 基准数据集 ForecastTKGQuestions,用于评估 QA 模型。最终提出 ForecastTKGQA 模型来回答三种类型的问题,实验结果表 - 学习一次关系的元表示,用于时态知识图谱链接预测
本文提出一种针对时间知识图谱的 few-shot learning 模型,通过时间关系建模,实现了在单样本情况下,对时间知识图谱进行关系预测
- EMNLP时间感知图神经网络用于时态知识图之间的实体对齐
本文研究子问题 - 在时间性知识图之间进行实体对齐,提出了一种基于图神经网络的时态感知实体对齐方法。实验证明,该方法在多个实际应用场景中明显优于现有技术。
- 提高基于时间知识图谱的问答时间敏感度
本文提出了一种对时间知识图进行问答的框架,包括一个时间戳估计模块和一个考虑时间顺序的知识图嵌入编码器,能够有效地解决问题中时间相关的挑战,并且在时间知识图问答基准上获得了显著的性能提升。
- WSDMEvoKG: 联合建模事件时间和网络结构,用于在时间知识图上进行推理
本研究提出了一种新的方法 EvoKG,能够联合建模事件时间和演化网络结构,采用循环事件建模和基于时间邻域聚合框架模拟 TKG 中的结构和时态动态,使用神经密度估计实现事件时间的准确建模,并通过实验证明了其效果和效率均比现有方法更好。
- AAAITLogic: 基于时间知识图谱的可解释链接预测的时间逻辑规则
TLogic 是一个可解释的框架,它基于通过时间随机游走提取的时间逻辑规则,用于处理时间知识图中的链接预测。与现有技术相比,在具有共同词汇表的相关数据集上,TLogic 能够更好地解释和推理,并提供更好的综合性能。
- 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。
- ACL关于时态知识图的问答
本文介绍了 CRONQUESTIONS—— 最大的已知的 Temporal KGQA 数据集,通过多次实验,提出了 CRONKGQA—— 一种基于转化器的解决方案,该方案利用了 Temporal KG 嵌入的最新进展,在准确性上超越所有基线 - ACL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。
- ChronoR: 基于旋转的时间知识图谱嵌入
本文研究了关于时间知识图谱的推理问题,并提出了一种新的模型 Chronological Rotation embedding 用于学习实体、关系和时间的表示,通过高维度的旋转变换捕捉 Temporail Knowledge Graph 的富 - EMNLP基于神经 ODE 的时态知识图预测
本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型,通过图转换层捕获动态图的转换,实现对时间和结构信息进行连续时间动态嵌入,并在五个基准数据集上进行了大量实验证明,该模型在未来链接预测任务中具有卓越的性能。
- AAAI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 - EMNLPDyERNIE: Riemann 流形嵌入的动态演化,用于时间知识图谱补全
Dy-ERNIE proposes a non-Euclidean embedding approach that learns evolving entity representations on a product of Riemann - EMNLPTeMP:时间知识图谱补全的时间消息传递
提出了 Temporal Message Passing (TeMP) 框架,通过结合图神经网络、时间动力学模型、数据填充和基于频率的门控技术来解决时态知识图中缺失事实的问题,实验表明我们的方法相较于现有的方法提高了 10.7%的平均相对精 - 基于图霍克斯神经网络的时序知识图谱预测
作者们提出了一种名为 Graph Hawkes Neural Network 的方法,可以用来建模动态图序列中的事件发生,同时还可以预测未来事件发生的时间和类型。实验证明,该方法对于大规模的时态多关系数据库非常有效,例如时间知识图谱。