搜索历史、推理未来：时序知识图谱上的两阶段推理

©原创作者 | 朱林

01 介绍

一个普通的知识图谱只拥有某一时刻的静态事实，常见表示为图的形式，如图1所示，包含了实体e（圆）及其关系r（箭头）。

图1 知识图谱示意图

目前快速增长的数据往往表现出复杂的时间动态特性，可以描述为时序知识图谱（Temporal Knowledge Graphs, TKG），其是在知识图谱的基础上加上了时间信息t。

TKG已经广泛运用于许多不同的领域，具有代表性的TKG数据集包括全球事件、语言和语气数据库（Global Database of Events, Language, and Tone, GDELT）和综合危机预警系统（Integrated Crisis Early Warning System, ICEWS）等等。

图2展示了ICEWS系统的一个外交活动记录子图。

图2 ICEWS外交活动记录子图

TKG的预测问题是在已知过去的历史线索信息（实体及关系在时间上的序列）下推断未来某一潜在事实或事件。

那人类是如何预测未来事件的呢？根据心理学著名的双重过程理论，人类首先是搜索海量记忆，直观地找到一些相关的历史信息（即线索）。

图3 受人类认知启发的推理过程示意图关系

如图3左侧所示，人们需要根据之前线索预测2020年12月23日COVID-19在哪里出现新病例，可以描述为回答查询: (COVID-19, New medical case occur, ?, 2020-12-23)中的?。

其中，找到至关重要的线索有：

1）与查询有相同关系的一跳（1-hop）路径（去除时间信息后直接关联实体和关系）。例如(COVID-19，New medical case occur, Shop)；

2）与查询有不同关系的一跳路径，