时序知识图谱补全综述：分类、进展与展望
人工智能
2023-08-07 v1
摘要
时间特征在大量知识中表现突出，这凸显了时序知识图谱（TKGs）在学术界与工业界的关键作用。然而，TKGs常因三个主要原因而不完整：新知识的持续涌现、从非结构化数据抽取结构化信息的算法薄弱，以及源数据集中信息的缺失。因此，时序知识图谱补全（TKGC）任务旨在基于可用信息预测缺失项，已引起越来越多的关注。本文对TKGC方法及其细节进行了全面综述。具体而言，本文主要由三部分组成：1）背景，涵盖TKGC方法的预备知识、训练所需的损失函数，以及数据集与评估协议；2）插值，通过相关可用信息估计与预测缺失元素或元素集合，并依据时序信息处理方式对相关TKGC方法进一步分类；3）外推，通常聚焦于连续TKGs并预测未来事件，随后基于所利用的算法对所有外推方法进行分类。我们进一步指出TKGC面临的挑战并探讨未来研究方向。
引用
@article{arxiv.2308.02457,
title = {A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects},
author = {Jiapu Wang and Boyue Wang and Meikang Qiu and Shirui Pan and Bo Xiong and Heng Liu and Linhao Luo and Tengfei Liu and Yongli Hu and Baocai Yin and Wen Gao},
journal= {arXiv preprint arXiv:2308.02457},
year = {2023}
}