学习采样与聚合：时序知识图谱上的少样本推理

在本文中，我们研究一个现实但未被充分探索的问题，称为少样本时序知识图谱推理，其旨在基于演化图中极有限的观测来预测新出现实体的未来事实。它在需要以最小监督从时序知识图谱（TKGs）中导出关于新实体的即时新知识的场景中具有实用价值。挑战主要来自新实体的少样本与时间偏移特性。首先，与之相关的有限观测不足以从头训练模型。其次，从初始可观测事实到未来事实的潜在动态分布要求显式建模新实体的演化特征。我们相应提出一种新颖的元时序知识图谱推理（MetaTKGR）框架。不同于依赖刚性邻域聚合方案来增强低数据实体表示的先前工作，MetaTKGR 通过以未来事实上的时序监督信号作为即时反馈，为新实体动态调节从近期事实中采样与聚合邻居的策略。此外，此类元时序推理过程超越了静态知识图上现有的、无法处理大实体方差下时间适应的元学习范式。我们进一步提供理论分析，并提出时序适应正则化器以稳定随时间进行的元时序推理。在经验上，在三个真实世界 TKG 上的大量实验表明，MetaTKGR 相较最先进基线具有大幅优势。