从历史中学习：用序列拷贝生成网络建模时序知识图谱

大型知识图谱常不断扩充以存储时序事实，这些事实对实体沿时间线的动态关系或交互进行建模。由于此类时序知识图谱常存在不完备性，开发时间感知的表示学习模型以推断缺失时序事实十分重要。虽然时序事实通常不断演化，但观察到许多事实常沿时间线呈现重复模式，例如经济危机与外交活动。这一观察表明，模型或许可从历史上已出现的事实中学到很多。为此，我们提出一种用于时序知识图谱的新表示学习模型，即 CyGNet，其基于一种新颖的时间感知拷贝生成机制。CyGNet 不仅能从整个实体词表中预测未来事实，还能识别具有重复性的事实，并参照过去已知事实相应地预测此类未来事实。我们在知识图谱补全任务上使用五个基准数据集评估所提方法。大量实验证明了 CyGNet 在预测具重复性的未来事实以及全新事实预测方面的有效性。