xERTE：基于时序知识图谱的可解释推理用于未来链接预测

对随时间演化的知识图谱（KGs）进行建模近来受到越来越多的关注。在此背景下，图表示学习已成为时序知识图谱上链接预测的主流范式。然而，基于嵌入的方法在很大程度上以黑盒方式运行，缺乏解释其预测的能力。本文提供了一种链接预测框架，该框架在时序知识图谱的查询相关子图上推理，并联合建模结构依赖性与时间动态性。特别地，我们提出了一种时序关系注意力机制以及一种新颖的反向表示更新方案，以指导围绕查询提取包围子图。该子图通过迭代采样时序邻居和注意力传播进行扩展。我们的方法提供人类可理解的证据来解释预测。我们在四个基准时序知识图谱上评估了我们的模型在链接预测任务上的表现。在更具可解释性的同时，与先前最佳的KG预测方法相比，我们的模型在Hits@1上获得了高达20%的相对提升。我们还开展了一项有53名受访者的调查，结果表明模型提取的用于链接预测的证据与人类理解相一致。