弯曲未来：曲率可变双曲空间中时序知识图的自回归建模
机器学习
2022-09-14 v1 人工智能
摘要
近期，时变知识图（即时序知识图，TKG）受到越来越多的学术关注。先前研究提出了多种利用历史信息进行 TKG 推理的方法。然而，不同时间戳下此类信息内部的层次结构较少受到关注。鉴于 TKG 是基于时间的一组知识图序列，序列中的时间顺序衍生出图之间的层次结构。此外，每个知识图具有其自身的层次水平，彼此可能不同。为处理 TKG 中的这些层次特征，我们提出 HyperVC，其利用比欧氏空间更能编码层次结构的双曲空间。不同时间戳知识图间的时间层次通过将知识图作为向量嵌入公共双曲空间来表示。另外，知识图多样的层次水平通过其实体与关系的双曲嵌入曲率调整来表示。在四个基准数据集上的实验显示出显著改进，尤其在具有较高层次水平的数据集上。
引用
@article{arxiv.2209.05635,
title = {Bending the Future: Autoregressive Modeling of Temporal Knowledge Graphs in Curvature-Variable Hyperbolic Spaces},
author = {Jihoon Sohn and Mingyu Derek Ma and Muhao Chen},
journal= {arXiv preprint arXiv:2209.05635},
year = {2022}
}
备注
11 pages, 2 figures, In the 4th Conference on Automated Knowledge Base Construction (AKBC) 2022