从语义到层次：一种用于时序知识图谱推理的混合欧几里得-切向-超球空间模型

时序知识图谱（TKG）推理基于历史数据预测未来事件，但由于涉及复杂的语义和层次信息，面临挑战。现有的欧几里得模型在捕捉语义方面表现良好，但在层次结构方面不足。相反，超球模型在处理层次特征方面表现出色，但由于浅层模型参数的限制以及基于 L2 范数的深层模型缺乏适当归一化，难以表示复杂语义。当前解决方案，如曲率转换，无法解决这些问题。本文提出一种新颖的混合几何空间方法，利用欧几里得模型和超球模型的优势。该方法从单一空间转向多空间参数建模，有效地捕捉语义和层次信息。首先，通过欧几里得空间中的事实共现和自回归方法，加上归一化处理，捕捉复杂语义。随后，通过缩放机制将嵌入转换为切向空间，在保持语义信息的同时，通过查询-候选分离建模方法重新学习层次结构，然后转换为超球空间。最终，通过可学习的查询特定混合系数，将来自超球和欧几里得空间的评分函数相结合，实现对层次和语义学习的混合归纳偏置。在四个 TKG 基准测试上的实验结果表明，我们的方法在 YAGO 上的平均倒数排名（MRR）中将错误率降低最高可达 15.0%。此外，丰富的可视化分析验证了该方法的有效性，显示其对语义和层次复杂度各异的数据集具有自适应能力。