一种简洁而强大的时序知识图谱补全图编码器
机器学习
2022-12-14 v2 人工智能
摘要
知识图谱包含关于各种实体及其之间关系信息的丰富知识，而时序知识图谱（TKG）描述并建模实体随时间的相互作用。在此背景下，自动时序知识图谱补全（TKGC）引起了极大关注。近期的 TKGC 方法集成了先进的深度学习技术（例如 Transformer）并取得了优越的模型性能。然而，这也引入了大量的冗余参数，给参数优化带来了更重的负担。在本文中，我们提出一种简洁而强大的用于 TKGC 的图编码器，称为 TARGCN。TARGCN 参数高效，并且广泛探索每个实体的时序上下文以学习上下文表示。我们发现，相较于采用各类复杂模块，高效捕获实体的时序上下文更为有益。我们在三个基准数据集上实验了 TARGCN。与最先进的 TKGC 模型相比，我们的模型在 GDELT 数据集上取得了超过 46% 的相对提升。同时，它以约少 18% 的参数在 ICEWS05-15 数据集上优于最强基线。
引用
@article{arxiv.2112.07791,
title = {A Simple But Powerful Graph Encoder for Temporal Knowledge Graph Completion},
author = {Zifeng Ding and Yunpu Ma and Bailan He and Volker Tresp},
journal= {arXiv preprint arXiv:2112.07791},
year = {2022}
}
备注
NeurIPS 2022 Temporal Graph Learning Workshop