神经链接预测器的时间平滑正则化器
机器学习
2026-03-10 v2
摘要
大多数用于关系数据表示学习与链接预测的算法都是为静态数据设计的。然而，它们所应用的数据通常随时间演化，包括在线社交网络或推荐系统中用户与物品间的交互。图结构知识库——知识图谱——亦是如此，其包含仅在特定时间点有效的真实事实。在此类情境中，精确识别某一时间点上缺失的链接变得至关重要，即时间链接预测任务。近来，Lacroix 等人与 Sadeghian 等人受四阶张量典范分解启发，提出了一种带时间约束的知识图谱链接预测问题的解决方案，其中他们通过对时间步表示施加时间平滑（即学习相邻时间戳的相似变换）来进行正则化。然而，时间正则化项选择的影响仍知之甚少。本工作中，我们使用线性函数与循环架构系统分析了若干时间平滑正则化器的选择。在实验中，我们表明通过仔细选取时间平滑正则化器与正则化权重，像 TNTComplEx 这样的简单方法能在三个广泛使用的时间链接预测数据集上产生显著优于 SOTA 方法的结果。此外，我们评估了多种时间平滑正则化器对两个 SOTA 时间链接预测模型的影响。我们的工作表明，简单张量分解模型利用新提出的时间正则化器可产生新的 SOTA 结果，为未来研究指明了一条有前景的途径。
引用
@article{arxiv.2309.09045,
title = {Temporal Smoothness Regularisers for Neural Link Predictors},
author = {Manuel Dileo and Pasquale Minervini and Matteo Zignani and Sabrina Gaito},
journal= {arXiv preprint arXiv:2309.09045},
year = {2026}
}