基于知识图谱案例推理的事件预测
人工智能
2023-09-25 v1
摘要
将链接预测(LP)方法应用于知识图谱(KG)以完成因果事件预测等任务，提供了一个令人振奋的机遇。然而，典型的 LP 模型并不适合该任务，因为它们无法对新的、未见的事件实体进行归纳式链接预测，且随着底层 KG 中知识的增加或改变需要重新训练。我们引入了一种案例推理模型 EvCBR，基于 KG 中存在的相似因果事件来预测新结果事件的属性。EvCBR 使用统计度量识别相似事件并执行基于路径的预测，无需训练步骤。为使我们的方法推广到事件预测领域之外，我们将任务构建为一个两跳 LP 任务，其中第一跳是连接原因事件与新结果事件的因果关系，第二跳是我们希望预测的关于新事件的属性。我们使用从 Wikidata 精心构建的带有因果关系的时事事件新数据集证明了方法的有效性，其中 EvCBR 优于包括基于平移距离、基于 GNN 和基于规则的 LP 模型在内的基线。
引用
@article{arxiv.2309.12423,
title = {Event Prediction using Case-Based Reasoning over Knowledge Graphs},
author = {Sola Shirai and Debarun Bhattacharjya and Oktie Hassanzadeh},
journal= {arXiv preprint arXiv:2309.12423},
year = {2023}
}
备注
published at WWW '23: Proceedings of the ACM Web Conference 2023. Code base: https://github.com/solashirai/WWW-EvCBR