针对时序知识图谱推理的解缠多跨度演化网络

时序知识图谱（Temporal Knowledge Graphs, TKG）作为静态知识图谱（Knowledge Graphs, KGs）的扩展，包含时序特征，通过描述事物发生的时间来表达知识的暂时性。时序知识图谱推断旨在基于已知历史推断可能的未来事实，这近年来引发了广泛关注。一些现有方法将TKG视为独立子图的时间序列，以建模时序演化模式，展现了令人印象的推理性能。然而，它们仍存在局限性：1）在建模子图语义演化时，通常忽略子图之间内部结构互动，这些互动实际上是编码TKG所必需的；2）忽略不导致语义变化的平滑特征，这些特征应被区分于语义演化过程。因此，我们提出了一种新型解缠多跨度演化网络（Disentangled Multi-span Evolutionary Network, DiMNet）用于TKG推理。具体而言，我们设计了多跨度演化策略，既捕获局部邻居特征，又感知历史邻居的语义信息，从而在演化过程中实现子图之间的内部互动。为最大化捕捉语义变化模式，我们设计了解缠组件，适应性地分离节点活跃特征与稳定特征，用于动态控制历史语义对未来演化的影响。在四个真实世界TKG数据集上进行的大量实验表明，DiMNet在TKG推理方面表现出显著性能，相较于最先进方法在MRR上提升最高22.7%。