基于神经常微分方程的时序知识图谱预测
机器学习
2022-06-03 v3 人工智能
摘要
在时序知识图谱(KG)上推断未来链接的兴趣日益增长。虽然时序 KG 上的链接随时间连续变化,现有方法在离散状态空间中对时序 KG 建模。为此,我们通过将神经常微分方程(ODE)的思想扩展到多关系图卷积网络,提出了一种新颖的连续模型。所提模型保留了动态多关系图数据的连续本质,并将时间与结构信息编码到连续时间动态嵌入中。此外,应用一种新颖的图转移层来捕获动态图上的转移,即边的形成与消失。我们在五个基准数据集上进行了时序 KG 推理的广泛实验,展示了我们的模型在未来链接预测任务上的优越性能。
引用
@article{arxiv.2101.05151,
title = {Temporal Knowledge Graph Forecasting with Neural ODE},
author = {Zhen Han and Zifeng Ding and Yunpu Ma and Yujia Gu and Volker Tresp},
journal= {arXiv preprint arXiv:2101.05151},
year = {2022}
}
备注
accepted at EMNLP 2021