基于低秩与模型无关表示的时间知识图谱推理
机器学习
2022-04-12 v1 人工智能
摘要
时间知识图谱补全（TKGC）已成为事件与时间知识图谱推理的流行方法，旨在补全准确但缺失的信息知识。在此背景下，张量分解成功建模实体与关系间交互。其在静态知识图谱补全的有效性促使我们引入Time-LowFER——低秩张量分解模型LowFER的参高效且时间感知扩展族。注意到当前时间表示方法的若干局限，我们提出一种周期感知时间编码方案用于时间特征，其模型无关且提供更泛化的时间表示。我们在统一的时间知识图谱嵌入框架中实现方法，聚焦于时间敏感数据处理。实验表明，所提方法在两个基准上达到或与最先进语义匹配模型相当或更优。
引用
@article{arxiv.2204.04783,
title = {Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations},
author = {Ioannis Dikeoulias and Saadullah Amin and Günter Neumann},
journal= {arXiv preprint arXiv:2204.04783},
year = {2022}
}
备注
Accepted by RepL4NLP'22