时事不等：知识图谱中自适应衰减的自动发现

用于检索的知识图谱将所有事实视为 equally current。现有的时序方法应用统一衰减，无论知识类型使用单一遗忘曲线。我们表明这根本是误指定的：不同知识类型 exhibit 不同的时序动力学，而核心检索问题并非延迟或吞吐量，而是识别查询时的重要性。我们提出了分层框架，用两种正交信号参数化连续衰减曲面：速度（概念被观察到的频率）和波动性（观察之间值变化的幅度，通过嵌入距离测量）。衰减曲面分解为三个可学习的层次：域级参数捕捉通用模式（某些谓词本质上是永久的，另一些则本质上是暂时的），情境级参数捕捉setting-dependent variation，实体级适应性将衰减个性化到特定主体。所有参数都通过对观察到的值生命周期进行存活分析从数据中涌现，无需预定义分类或领域专业知识。我们将边生命周期形式化为存活问题，其中事件是值被替代（一个有意义的不同值取代当前值），这不同于仅仅重新观察。在合成时序知识图谱上的实验表明，成功恢复了植入的分层参数（HDBSCAN ARI = 1.0）。在107篇维基百科文章和1,163例来自 Synthea 临床 EHR 模拟器的患者记录上的验证表明，速度-波动性聚类自然出现，与可观察的持久性模式一致，且几乎普遍地呈现 Lindy 效应（Weibull shape k < 1）。统一衰减的表现比无时序加权差18倍。异构衰减能够从中恢复，每个层次都贡献了可衡量的改进。