面向时序知识图谱推理的历史相关事件结构化

时序知识图谱 (TKG) 推理 focuses on 通过 timeline 上分布的 snapshot 中的历史信息来预测事件。现有研究主要从两个角度利用 TKG 的历史信息：(i) 捕捉每个最近 snapshot 的演化；(ii) 捕捉全局历史事实之间的相关性。尽管取得了显著的成就，但这些模型仍不足以 I) 探讨跨最近多个 snapshot 的多粒度互动影响；II) 在整个历史范围内，尤其是对未来产生深远影响的事件，充分利用与查询相关的关键链接的表达语义。这些不足限制了表示能力以全面反映历史依赖关系和未来趋势的能力。为克服这些缺陷，我们提出了一种创新的 TKG 推理方法，面向历史相关事件结构化 (HisRES)。具体而言，HisRES 包含两个在结构化 TKG 中历史相关事件方面卓越的模块，包括捕捉最近几个 snapshot 的结构和 temporal 依赖性的多粒度演化编码器，以及专注于来自整个历史范围内与查询相关的关键事件相关性的全局相关编码器。此外, HisRES 集成了一个 self-gating 机制，用于自适应地合并多粒度最近和历史相关结构化表示。广泛的实验在四个基于事件的基准数据集上表明，HisRES 实现了最新的性能，并表明在 TKG 推理中结构化历史相关性的优越性和有效性。