DECRL：一种深度进化聚类联合的时序知识图谱表示学习方法
机器学习
2024-12-20 v2 人工智能
摘要
时序知识图谱（TKG）表示学习旨在将时序演化的实体和关系映射到连续低维向量空间中的嵌入表示。然而，现有方法无法捕捉TKG中高阶相关性的时序演化。为此，我们提出了一种深度进化聚类联合的时序知识图谱表示学习方法（DECRL）。具体来说，提出了一个深度进化聚类模块来捕捉实体间高阶相关性的时序演化。此外，引入了一种聚类感知的无监督对齐机制，以确保跨时间戳的软重叠聚类精确一对一对齐，从而保持聚类的时序平滑性。另外，引入了一个隐式相关性编码器，在全局图的引导下捕捉任意聚类对之间的潜在相关性。在七个真实世界数据集上的大量实验表明，DECRL达到了最先进的性能，在MRR、Hits@1、Hits@3和Hits@10指标上分别平均优于最佳基线9.53%、12.98%、10.42%和14.68%。
引用
@article{arxiv.2410.22631,
title = {DECRL: A Deep Evolutionary Clustering Jointed Temporal Knowledge Graph Representation Learning Approach},
author = {Qian Chen and Ling Chen},
journal= {arXiv preprint arXiv:2410.22631},
year = {2024}
}
备注
Accepted by NeurIPS 2024, 17 pages, and 3 figures