RLGNet：用于时序知识图谱推理的重复-局部-全局历史网络
人工智能
2024-07-30 v2
摘要
时序知识图谱（TKG）推理涉及基于历史信息预测未来事件。然而，由于未来事件的不可预测性，该任务极具挑战性。为了解决这一问题，我们提出了一种基于集成学习的多尺度混合架构模型，称为 RLGNet（Repeating-Local-Global History Network）。受其他领域多尺度信息应用的启发，我们将多尺度信息的概念引入 TKG 推理。具体而言，RLGNet 通过结合处理不同尺度信息的模块，捕获并整合不同层次的历史信息。该模型包含三个模块：重复历史模块专注于识别历史数据中的重复模式和趋势，局部历史模块捕获短期变化和细节，全局历史模块提供对长期变化的宏观视角。此外，为了解决以往单架构模型在单步和多步推理任务泛化性上的局限性，我们分别为局部和全局历史模块采用了基于循环神经网络（RNN）和多层感知机（MLP）的架构。这种混合架构设计使得模型能够互补多步和单步推理能力。最后，为了解决 TKG 中的噪声问题，我们采用集成学习策略，结合三个模块的预测结果，以降低噪声对最终预测结果的影响。在六个基准数据集上的评估表明，我们的方法在多步和单步推理任务中总体上优于现有的 TKG 推理模型。
引用
@article{arxiv.2404.00586,
title = {RLGNet: Repeating-Local-Global History Network for Temporal Knowledge Graph Reasoning},
author = {Ao Lv and Guige Ouyang and Yongzhong Huang and Yue Chen and Haoran Xie},
journal= {arXiv preprint arXiv:2404.00586},
year = {2024}
}