基于加性时间序列分解的时序知识图谱嵌入模型
机器学习
2020-10-29 v6 人工智能
机器学习
摘要
知识图谱(KG)嵌入近年来受到越来越多的关注。大多数KG嵌入模型从不考虑时间的三元组中学习。然而,在三元组之外引入时间信息可进一步提升KGE模型的性能。为此,我们提出ATiSE,一种时序KG嵌入模型,它通过加性时间序列分解将时间信息融入实体/关系表示中。此外,考虑到实体/关系表示随时间演化过程中的时间不确定性,我们将时序KG的表示映射到多维高斯分布空间中。每个实体/关系嵌入在某一时间步的均值表示当前的期望位置,而其协方差(在时间上平稳)表示其时间不确定性。实验结果表明,ATiSE在四个时序KG上的链接预测任务中达到了最先进的(state-of-the-art)性能。
引用
@article{arxiv.1911.07893,
title = {Temporal Knowledge Graph Embedding Model based on Additive Time Series Decomposition},
author = {Chengjin Xu and Mojtaba Nayyeri and Fouad Alkhoury and Hamed Shariat Yazdi and Jens Lehmann},
journal= {arXiv preprint arXiv:1911.07893},
year = {2020}
}
备注
This paper has been accepted by ISWC2020