情景知识图的嵌入模型

近年来，大量大规模面向三元组的知识图被生成，并提出了多种模型以在这些图中进行学习。大多数知识图是静态的，反映当前状态的世界。而现实中，世界状态在不断变化：健康的人被诊断出疾病，新总统就职。本文中，我们将静态知识图模型扩展至时序知识图。这使我们能够存储情景数据并泛化至新事实（归纳学习）。我们将领先的静态知识图学习模型（即 Tucker、RESCAL、HolE、ComplEx、DistMult）推广到时序知识图。特别地，我们引入了一种具有更优泛化性能的新张量模型 ConT。所有提出模型的性能在两个不同数据集上进行了分析：全球事件、语言与语调数据库（GDELT）和综合冲突预警系统数据库（ICEWS）。我们认为时序知识图嵌入也可能作为认知情景记忆（我们记住并能回忆的事实）的模型，且语义记忆（我们已知的当前事实）可通过边缘化操作由情景记忆生成。我们用 ICEWS 数据集验证了这一情景到语义的投影假设。