基于几何代数的嵌入方法用于静态与时序知识图谱补全
摘要
近年来，知识图谱嵌入（KGEs）通过将知识图谱（KG）中的实体和关系映射到一个几何空间，在链接预测任务上展现出良好的性能，从而获得了越来越多的关注。此外，许多近期的知识图谱涉及演化数据，例如事实（\textit{Obama}, \textit{PresidentOf}, \textit{USA}）仅在 2009 至 2017 年间有效。这给知识表示学习带来了重要挑战，因为此类时序 KG 随时间变化。在这项工作中，我们努力超越用于 KGE 的复数或超复数空间，提出一种新颖的基于几何代数的嵌入方法 GeomE，其使用多向量表示和几何积来建模实体与关系。GeomE 包含了若干最先进的 KGE 模型，并能够建模多样的关联关系模式。在此基础上，我们将 GeomE 扩展为用于时序 KGE 的 TGeomE，其对时序 KG 进行 4 阶张量分解，并设计了一种用于时间表示学习的新线性时序正则化。此外，我们研究了时间粒度对 TGeomE 模型性能的影响。实验结果表明，我们提出的模型在四个常用静态 KG 数据集和四个公认的时序 KG 数据集上的链接预测任务中，于各项指标均取得了最先进的性能。
引用
@article{arxiv.2202.09464,
title = {Geometric Algebra based Embeddings for Static and Temporal Knowledge Graph Completion},
author = {Chengjin Xu and Mojtaba Nayyeri and Yung-Yu Chen and Jens Lehmann},
journal= {arXiv preprint arXiv:2202.09464},
year = {2022}
}
备注
There are some theorem mistakes in the Appendix section need to be fixed. And we are still trying to solve them. We submitted the Arxiv version for providing the supplementary analysis, but now we hope to withdraw the current version to avoid misleading the readers from Arxiv