EvoKG：联合建模事件时间与网络结构以进行时序知识图谱推理
机器学习
2022-02-17 v2 人工智能
社会与信息网络
摘要
我们如何对时序知识图谱（TKGs）进行知识推理？TKGs 表示关于实体及其关系的事实，其中每个事实都关联一个时间戳。对 TKGs 进行推理，即从随时间演化的 KGs 推断新事实，对于许多提供智能服务的应用至关重要。然而，尽管可用 TKG 表示的真实数据十分普遍，大多数方法聚焦于静态知识图谱上的推理，或无法预测未来事件。在本文中，我们提出一个问题表述，统一了有效 TKG 推理所需解决的两个主要问题，即建模事件时间与演化网络结构。我们提出的方法 EvoKG 在一个有效框架中联合建模这两项任务，其通过循环事件建模捕捉 TKGs 中不断变化的结构与时间动态，并基于时序邻域聚合框架建模实体间的交互。此外，EvoKG 利用基于神经密度估计的灵活高效机制实现了对事件时间的精确建模。实验表明，EvoKG 在有效性（时间与链接预测准确率分别提升多达 77% 和 116%）和效率上均优于现有方法。
引用
@article{arxiv.2202.07648,
title = {EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning over Temporal Knowledge Graphs},
author = {Namyong Park and Fuchen Liu and Purvanshi Mehta and Dana Cristofor and Christos Faloutsos and Yuxiao Dong},
journal= {arXiv preprint arXiv:2202.07648},
year = {2022}
}
备注
WSDM 2022