似曾相识：基于前缀微调的对比历史建模用于时序知识图谱推理

时序知识图谱推理（TKGR）是在复杂场景（如归纳和直推设置）中推断不完整TKG缺失事实的任务，正日益受到关注。最近，为了减轻对TKG中结构化连接的依赖，基于文本的方法被开发出来，利用实体描述的丰富语言信息。然而，由于预训练语言模型的巨大参数和不灵活性，现有的基于文本的方法难以平衡文本知识和时序信息，且需要计算昂贵的专门训练策略。为了在各种复杂场景中挖掘基于文本的模型在TKGR中的潜力，我们提出了ChapTER，一种用于时序推理的对比历史建模框架，带有前缀微调。ChapTER将历史上下文化的文本输入伪孪生编码器，通过查询和候选之间的对比估计来实现文本-时序平衡。通过引入虚拟时间前缀标记，它应用基于前缀的微调方法，使冻结的PLM能够适应不同设置下的TKGR任务。我们在四个直推和三个少样本归纳TKGR基准上评估了ChapTER，实验结果表明，ChapTER仅用0.17%的调优参数就实现了优于竞争基线的性能。我们进行了彻底的分析，以验证ChapTER的有效性、灵活性和效率。