基于历史对比学习的时间知识图谱推理
人工智能
2022-12-05 v2 机器学习
摘要
时间知识图谱作为存储和建模动态关系的有效方式，在事件预测中展现出良好前景。然而，大多数时间知识图谱推理方法高度依赖事件的重复性 or 周期性，这为推断与缺乏历史交互的实体相关的未来事件带来挑战。事实上，当前时刻往往是小部分历史信息与那些未观测潜在因素共同作用的结果。为此，我们提出一种基于新颖历史对比学习训练框架的称为对比事件网络(CENET)的新事件预测模型。CENET学习历史与非历史依赖，以区分能与给定查询最佳匹配的最具潜力实体。同时，它通过发起对比学习训练查询的表示，以探究当前时刻更依赖历史还是非历史事件。这些表示进一步帮助训练一个二值分类器，其输出为布尔掩码以指示搜索空间中的相关实体。在推理过程中，CENET采用基于掩码的策略生成最终结果。我们在五个基准图上评估了所提模型。结果表明，CENET在大多数指标上显著优于所有现有方法，在基于事件的数据集上相较先前最先进基线取得至少的Hits@1相对提升。
引用
@article{arxiv.2211.10904,
title = {Temporal Knowledge Graph Reasoning with Historical Contrastive Learning},
author = {Yi Xu and Junjie Ou and Hui Xu and Luoyi Fu},
journal= {arXiv preprint arXiv:2211.10904},
year = {2022}
}
备注
Accepted by AAAI 2023