Re-Temp:用于时序知识图谱补全的关系感知时序表示学习
计算与语言
2023-10-25 v1
摘要
外推设定下的时序知识图谱补全(TKGC)旨在从未来事实中预测缺失实体,其挑战更贴近现实世界预测问题。现有研究多使用应用于近期快照的序列图神经网络编码实体与关系。然而,这些方法往往忽视依据查询中实体相关关系跳过无关快照的能力,且忽略显式时序信息的重要性。为此,我们提出模型 Re-Temp(关系感知时序表示学习),其以显式时序嵌入为输入,并在每个时间戳后引入跳过信息流以跳过预测所需之外的不必要信息。此外,我们引入两阶段前向传播方法以防止信息泄漏。通过在六个 TKGC(外推)数据集上的评估,我们证明模型以显著优势超越全部八个近期最先进模型。
引用
@article{arxiv.2310.15722,
title = {Re-Temp: Relation-Aware Temporal Representation Learning for Temporal Knowledge Graph Completion},
author = {Kunze Wang and Soyeon Caren Han and Josiah Poon},
journal= {arXiv preprint arXiv:2310.15722},
year = {2023}
}
备注
Findings of EMNLP 2023