ChronoR：基于旋转的时间知识图谱嵌入
机器学习
2021-03-19 v1 符号计算
摘要
尽管时间知识图谱十分重要且数量丰富，当前多数研究仍聚焦于静态图上的推理。本文中，我们研究时间知识图谱上的推断这一挑战性问题，具体而言即时间链接预测任务。总体上，由于数据非平稳性、数据异构性及其复杂的时间依赖性，这是一项困难任务。我们提出 Chronological Rotation 嵌入（ChronoR），一种用于学习实体、关系与时间表示的新型模型。学习稠密表示常被用作在知识图谱上执行推理的高效且通用的方法。所提模型学习由关系与时间参数化的 k 维旋转变换，使得在每个事实的头实体经该旋转变换后落在其对应尾实体附近。通过使用高维旋转作为其变换算子，ChronoR 捕获了时间知识图谱时间性与多关系性特征之间的丰富交互。实验上，我们表明 ChronoR 能够在时间知识图谱链接预测的基准数据集上超越许多最先进的方法。
引用
@article{arxiv.2103.10379,
title = {ChronoR: Rotation Based Temporal Knowledge Graph Embedding},
author = {Ali Sadeghian and Mohammadreza Armandpour and Anthony Colas and Daisy Zhe Wang},
journal= {arXiv preprint arXiv:2103.10379},
year = {2021}
}