VITA：面向时序超关系知识图的通用时间表示学习方法

知识图（KGs）已成为有效的事实管理范式，这些事实不仅复杂，而且随时间动态演化。事实的时间有效性常常是下游链路预测任务中的强线索，后者预测链路中的缺失元素。传统的时序KGs链路预测技术要么考虑基于任意定义时间间隔的时序快照序列，要么在预定义时间粒度下将时序事实扩展为其有效期；这些方法不仅受时段/粒度选择敏感性的制约，还面临处理具有长时间（甚至无限期）有效性事实时的计算挑战。尽管最近的超关系KGs将事实的时间有效性表示为描述事实的修饰符，但仍不够优化，因为它忽略了某些事实的无限有效性，以及修饰符关于时间有效性信息的编码不足。在此背景下，我们提出了VITA（$\underline{V}$ersatile t$\underline{I}$me represen$\underline{TA}$tion learning method for temporal hyper-relational knowledge graphs），这是一种用于时序超关系知识图的通用时间表示学习方法。我们首先提出了一种能够灵活容纳事实四种类型时间有效性（即自此、至此、期间、恒定时间）的通用时间表示方法，然后设计VITA以有效学习时间中的时间值和时长信息，以提升链路预测性能。我们在真实世界的KG数据集上对VITA与大量基线方法进行了彻底的评估。结果表明，VITA在各种链路预测任务（预测缺失实体、关系、时间及其他数值文字）中均优于最佳基线方法，提升幅度最高可达75.3%。消融研究和案例研究也支持我们的关键设计选择。