面向时序知识图谱推理的自适应路径记忆网络
人工智能
2023-04-26 v1
摘要
时序知识图谱（TKG）推理旨在基于历史信息预测未来的缺失事实，近年来受到越来越多的研究关注。已有大量工作对推理任务的历史结构与时间特征进行建模。大多数现有工作主要依赖实体表示对图结构建模。然而，真实场景中 TKG 实体数量庞大，且随时间推移会出现越来越多新实体。因此，我们提出了一种基于 TKG 关系特征建模的新架构，即自适应路径记忆网络（DaeMon），它自适应地对查询主体与各候选客体在历史时间之间的时序路径信息进行建模，且不依赖实体表示。具体而言，DaeMon 使用路径记忆记录由路径聚合单元跨时间线导出的时序路径信息，并考虑相邻时间戳间的记忆传递策略。在四个真实世界 TKG 数据集上的大量实验表明，我们所提模型取得了显著的性能提升，在 MRR 上优于当前最优方法最高达 4.8% 绝对值。
引用
@article{arxiv.2304.12604,
title = {Adaptive Path-Memory Network for Temporal Knowledge Graph Reasoning},
author = {Hao Dong and Zhiyuan Ning and Pengyang Wang and Ziyue Qiao and Pengfei Wang and Yuanchun Zhou and Yanjie Fu},
journal= {arXiv preprint arXiv:2304.12604},
year = {2023}
}
备注
Accepted to IJCAI 2023