时序知识图谱
*时序知识图谱是当下研究的热点。目前对知识图谱的研究主要集中在事实不随时间变化的静态知识图谱上,而对知识图谱的时态动力学研究较少。然而,时间信息是非常重要的,因为结构化的知识只在特定的时间段内保持,而事实的演变遵循时间序列。最近的研究开始将时态信息引入KRL和KGC中,称为时序知识图谱。人们已经为同时学习时间嵌入和关系嵌入做出了努力。动态网络嵌入的相关模型也启发了时序知识图的嵌入。例如,同时捕获时间-拓扑结构并学习时间-特征交互的时序图注意网络(TGA-T)可能有助于为知识图保留时态感知关系。
时序信息嵌入
在时间感知嵌入中,通过将三元组扩展为时间四元组(h,r,t,τ)来考虑时间信息,其中τ 提供关于事实何时存在的附加时间信息。
现有研究进展:
Leblay和Chekol研究了带时间注释的三元组上的时间范围预测,并简单地扩展了现有的嵌入方法。
Ma等人推广了已有的静态嵌入方法,提出了用时间戳嵌入代替Tucker的共享权向量的CONT方法。
Garc‘ıa-Dur’an等人提出了级联谓词令牌序列和时态令牌序列,并对级联后的时间感知谓词序列进行了LSTM编码。
Liu等人建议使用上下文选择来捕获有用的上下文,并测量与所选上下文的时间一致性。通过将时态KGC表示为四阶张量补全。
Lacroix等人提出了扩展复分解的TComplEx,并引入了加权正则化子。
相关研究论文名称:
Deriving validity time in knowledge graph
Embedding models for episodic knowledge graphs
Learning sequence encoders for temporal knowledge graph completion
Context-aware temporal knowledge graph embedding
Tensor decompositions for temporal knowledge base completion
实体动力学
现实世界的事件改变了实体的状态,从而影响了相应的关系。
现有研究进展:
为了改进时间范围推理,上下文时间轮廓模型将时间范围问题描述为状态变化检测,并利用上下文来学习状态和状态变化向量;
受到历时单词嵌入的启发,Goel等人将实体和时间戳作为实体嵌入函数的输入,保留实体在任意时间点的时态感知特征;
KNOW-EVERVE是一个深度进化的知识网络,它研究实体的知识进化现象及其进化关系。利用多变量时点过程对FACTS的发生进行建模,并开发了一种新的递归网络来学习非线性时间演化的表示;
为了捕获节点之间的交互,RE-Net通过基于RNN的事件编码器和邻域聚合器对事件序列进行建模。具体而言,RNN用于捕获时态实体交互,邻域聚合器聚合并发交互。
相关研究论文名称:
CTPs: Contextual temporal profiles for time scoping facts using state change detection
Diachronic embedding for temporal knowledge graph completion
Know-evolve: Deep temporal reasoning for dynamic knowledge graphs
Recurrent event network for reasoning over temporal knowledge graphs
时序关系依赖
在时间线之后的关系链中存在时间依赖,如wasBornIn → graduateFrom → workAt → diedIn
现有研究进展:
Jiang等人提出了时间感知嵌入,这是一种结合时态正则化的联合学习框架,以融合时序和一致性信息。
相关研究论文名称:
Towards time-aware knowledge graph completion
Encoding temporal information for time-aware link prediction
时序逻辑推理
现有研究进展:
Chekol等人研究了马尔可夫逻辑网络和概率软逻辑在不确定时间知识图上的推理问题;
RLvLR-Stream考虑了时间闭合路径规则,并从知识图流中学习规则的结构以进行推理。
相关研究论文名称:
Marrying uncertainty and time in knowledge graphs
An embedding-based approach to rule learning in knowledge graphs
Last updated