NeuSTIP：一种用于时序知识图谱中链接与时间预测的新型神经符号模型
人工智能
2023-05-22 v1
摘要
尽管针对静态事实的知识图谱补全（KGC）已是一个成熟的领域，但将有效期时间纳入静态事实的时序知识图谱补全（TKGC）仍处于起步阶段。KGC 方法可分为多个类别，包括基于嵌入、基于规则、基于 GNN、基于预训练语言模型的方法。然而，这些维度在 TKG 中尚未被探索。为此，我们提出了一种新颖的时序神经符号模型 NeuSTIP，用于在 TKG 中执行链接预测和时间区间预测。NeuSTIP 在 Allen 谓词存在的情况下学习时序规则，这些谓词确保了给定规则中相邻谓词之间的时序一致性。我们进一步设计了一个独特的评分函数，通过利用学习到的规则，在执行链接预测和时间区间预测时评估候选答案的置信度。我们在两个基于时间区间的 TKGC 数据集上的实证评估表明，我们的模型在链接预测和时间区间预测任务上均优于最先进的模型。
引用
@article{arxiv.2305.11301,
title = {NeuSTIP: A Novel Neuro-Symbolic Model for Link and Time Prediction in Temporal Knowledge Graphs},
author = {Ishaan Singh and Navdeep Kaur and Garima Gaur and Mausam},
journal= {arXiv preprint arXiv:2305.11301},
year = {2023}
}
备注
13 pages, 2 Figures