用于时序知识图谱预测的历史链推理
计算与语言
2024-06-10 v2
摘要
时序知识图谱（TKG）预测旨在基于给定历史预测未来事实。大多数最新的基于图的模型擅长捕捉TKG内的结构信息，但缺乏语义理解能力。如今，随着LLM的兴起，基于LLM的TKG预测模型已经出现。然而，现有的基于LLM的模型存在三个缺点：（1）它只关注一阶历史进行预测，而忽略了高阶历史信息，导致提供给LLM的信息极其有限。（2）LLM在大量历史信息负载下难以达到最优推理性能。（3）对于TKG预测，LLM单独的时间推理能力有限。为了解决前两个挑战，我们提出了历史链（CoH）推理，它逐步探索高阶历史，实现了LLM在TKG预测中对高阶历史信息的有效利用。为了解决第三个问题，我们将CoH设计为即插即用模块，以增强基于图的模型在TKG预测中的性能。在三个数据集和骨干网络上的大量实验证明了CoH的有效性。
引用
@article{arxiv.2402.14382,
title = {Chain-of-History Reasoning for Temporal Knowledge Graph Forecasting},
author = {Yuwei Xia and Ding Wang and Qiang Liu and Liang Wang and Shu Wu and Xiaoyu Zhang},
journal= {arXiv preprint arXiv:2402.14382},
year = {2024}
}