面向时序知识图谱推理的时序归纳路径神经网络

时序知识图谱（TKG）是传统知识图谱（KG）的扩展，引入了时间维度。在TKG上的推理是一项关键任务，旨在基于历史发生事件预测未来事实。关键挑战在于揭示历史子图内的结构依赖关系与时间模式。大多数现有方法依赖实体建模来建模TKG，因为图中的节点在知识表示中起着关键作用。然而，真实场景往往涉及大量实体，且新实体随时间涌现。这使得依赖实体的方法难以应对海量实体，有效处理新涌现实体也成为重大挑战。因此，我们提出时序归纳路径神经网络（TiPNN），从独立于实体的视角对历史信息进行建模。具体而言，TiPNN采用一种统一图，即历史时序图，来全面捕获并封装历史信息。随后，我们在历史时序图上利用所定义的查询感知时序路径，建模与查询相关的历史路径信息以进行推理。大量实验表明，所提模型不仅取得显著性能提升，还能处理归纳设定，并通过历史时序图提供推理证据。