为更好的时序知识图谱演化建模而走向更好
人工智能
2026-02-10 v1
摘要
时序知识图谱（TKG）在结构上保留着演化中的人类知识。近期研究聚焦于设计模型来学习 TKG 的演化本质，以预测未来事实，取得了令人印象深刻的结果，例如在 YAGO 数据集上达到 0.9 以上的 Hits@10 分数。然而，我们发现现有基准数据集不慎引入了捷径。靠近状态-of-the-art 的性能可以仅通过计数共现项即可实现，而无需使用任何时序信息。在本工作中，我们检视了此问题的根源，识别了当前数据集中固有的偏见以及评估任务过于简化的形式，这些偏见可被利用。通过这一分析，我们进一步揭示了现有基准数据集的其他局限性，包括时间区间知识的合理格式问题、忽视学习知识过时性、以及不足以进行精确演化理解的问题，所有这些问题都可能放大捷径并阻碍公平评估。因此，我们引入了 TKG 演化基准测试。它包括四个校正偏见的数据集和两个紧密关联演化过程的新任务，促进对 TKG 演化建模挑战的更准确理解。基准数据可在 https://github.com/zjs123/TKG-Benchmark 获取。
引用
@article{arxiv.2602.08353,
title = {Towards Better Evolution Modeling for Temporal Knowledge Graphs},
author = {Zhang Jiasheng and Li Zhangpin and Wang Mingzhe and Shao Jie and Cui Jiangtao and Li Hui},
journal= {arXiv preprint arXiv:2602.08353},
year = {2026}
}
备注
13 pages, 11 figures