(本文总结目前时序知识图谱的补全方法,以及不同方法之间的对比分析。并给出可能的结合途径l总结了当前时序知识图谱评测的7个基准数据集,并且给出了几个代表性的补全模型在其中3基准数liu据集上的评测结果。)
文献[35-38]均有实现代码,参考意义非常大!
时态知识图谱。一个时态知识图谱是一个四元组的集合。形式地说,任意给定实体集合E、 关系集合R、有穷时间戳集合T,时态知识图谱G是笛卡儿积E×R×E×T的一个子集。
比如,事件“2016 —2020年期间,特朗普是美国总统 ”可以表达为四元组(美国,总统,特朗普,[2016,2020])。类似地,事件“拜登于2021年当选美国总统”可以表达为四元组(美国,总统,拜登,2021)。
目前时序知识图谱补全分为两大类:基于符号逻辑的方法和基于知识表示学习的方法。
基于符号逻辑的方法,此类方法通过构建领域本体,运用饱和度技术,推理出
隐含存在的真实四元组;
另一类是基于知识表示学习(knowledge representationlearning)的方法,此类方法将符号映射到实值空间,采用数值运算评估四元组的真实程度。
Jiang TS等人[26](论文:Towards Time-Aware Knowledge Graph Completion)率先提出结合时态信息的知识图谱补全模型,该模型由两部分构成,其中一个部分是由TransE获得关系的表示向量,另一个部分由3种时态一致性约束(先后顺序关系、时态不相交性、时态区间有效性)构成。
Jung J等人[35](论文:T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion)提出了一种时态图神经网络(temporal graph neural network,TGNN)模型。该模型对时态知识图谱及查询分别进行预训练,完成时态信息与实体表示向量的融合,并计算其邻居的注意力分布,然后利用子图采样的方法获得每个实体及与查询相关的邻居的子图结构,过滤与查询不相关的实体,再利用图神经网络模型,更新子图上实体的表示向量并结合基于路径遍历的方法更新实体邻居的注意力分布,最后依据最高概率推理出实体间隐藏的关系。
与更新实体或关系的表示向量不同,Xu Y R等人[36] (论文:RTFE: a recursive temporal fact embedding framework for temporal knowledge graph completion)考虑了时态知识图谱中增加新实体的情况,设计了一种策略递归地更新模型参数。
Xu C等人[37] (论文:Temporal knowledge graph completion based on time series gaussian embedding)考虑了知识图谱时态演化过程中的不确定性因素,在每个时间点采用高斯分布函数来表达实体和关系的不确定性,再结合时间序列的线性模型来刻画实体和关系表示向量随时间演化的趋势,最后通过计算实体和关系概率分布的距离来完成补全。
Han Z等人[38] (论文:Dyernie: Dynamic evolution of riemannian manifold embeddings for temporal knowledge graph completion)则将补全的工作从传统的欧氏空间拓展到黎曼流形(Riemannian manifold)上完成。相对于第一类方法,基于序列学习的方法更加强调不同实体和关系间的历史关系,即实体或关系之间带有时间戳的序列之间的交互。