HALO：基于半衰期的时序知识图谱过时事实过滤
人工智能
2025-05-13 v1
摘要
时序知识图谱（TKGs）中的过时事实是由于事实超过其有效期而产生的，这会对 TKGs 的推理性能造成负面影响。然而，现有的推理方法主要关注历史事实的正面重要性，忽略了过时事实的负面影响。此外，在这些过时事实上进行训练还会产生额外的计算成本。为解决这些挑战，我们提出了一个名为 HALO 的过时事实过滤框架，通过探索半衰理论来过滤 TKGs 中的过时事实。HALO 包含三个模块：时序事实注意力模块、动态关系感知编码器模块和过时事实过滤模块。首先，时序事实注意力模块捕捉历史事实随时间的演变，以识别相关事实。其次，动态关系感知编码器模块被设计用于高效预测每个事实的半衰期。最后，我们基于半衰理论构建一个时间衰减函数，用于量化事实的时序有效性并过滤过时事实。实验结果表明，HALO 在三个公开数据集上优于最新 TKGs 推理方法，显示其在检测和过滤过时事实方面的有效性（代码已提供，链接为 https://github.com/yushuowiki/K-Half/tree/main）。
引用
@article{arxiv.2505.07509,
title = {HALO: Half Life-Based Outdated Fact Filtering in Temporal Knowledge Graphs},
author = {Feng Ding and Tingting Wang and Yupeng Gao and Shuo Yu and Jing Ren and Feng Xia},
journal= {arXiv preprint arXiv:2505.07509},
year = {2025}
}