T-GAP:学习跨越时间行走以完成时序知识图谱补全
机器学习
2020-12-22 v1 人工智能
计算与语言
摘要
时序知识图谱(TKG)本质上反映了现实世界知识的瞬时性,与静态知识图谱相反。自然地,自动 TKG 补全因更真实地建模关系推理而引发诸多研究兴趣。然而,现有多数 TKG 补全模型扩展了静态 KG 嵌入,未能充分利用 TKG 结构,因而缺乏:1) 对查询局部邻域中已存在的时序相关事件的考量;2) 促进多跳推理与更好可解释性的基于路径的推理。本文提出 T-GAP,一种新颖的 TKG 补全模型,在其编码器与解码器中最大化利用时序信息与图结构。T-GAP 通过关注各事件与查询时间戳之间的时序位移来编码查询特定的 TKG 子结构,并通过在图中传播注意力执行基于路径的推理。我们的实证实验表明,T-GAP 不仅相较最先进基线取得更优性能,还能有效泛化至具有未见时间戳的查询。通过广泛的定性分析,我们还展示 T-GAP 具备透明可解释性,且其推理过程符合人类直觉。
引用
@article{arxiv.2012.10595,
title = {T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion},
author = {Jaehun Jung and Jinhong Jung and U Kang},
journal= {arXiv preprint arXiv:2012.10595},
year = {2020}
}