时态知识图谱补全的方法及其进展

点击上方蓝字关注我们

时态知识图谱补全的方法及其进展

申宇铭, 杜剑峰

广东外语外贸大学信息科学与技术学院，广东 广州 510420

摘要：时态知识图谱是将时间信息添加到传统的知识图谱而得到的。近年来，时态知识图谱补全受到了学术界的高度关注，并成为研究热点之一。总结了目前时态知识图谱补全的两大类方法，即基于符号逻辑的方法和基于知识表示学习的方法，比较分析了两类方法的优缺点，展望了未来时态补全方法的发展方向，还总结了7个用于时态知识图谱补全的基准数据集和若干代表性模型在基准数据集上的评测结果。

关键词：时态知识图谱 ; 本体 ; 表示学习

论文引用格式：

申宇铭, 杜剑峰. 时态知识图谱补全的方法及其进展[J]. 大数据, 2021, 7(3): 30-41.

SHEN Y M, DU J F. Temporal knowledge graph completion:methods and progress[J]. Big Data Research, 2021, 7(3): 30-41.

1 引言

在人工智能飞速发展的背景下，知识图谱（knowledge graph）被普遍地认为是人工智能技术和系统中的重要组成部分，在智能搜索、网络安全、金融风险控制及电子商务等诸多领域得到了广泛应用。传统的知识图谱以（实体，关系，实体）或（实体，属性，属性值）三元组集合的方式来表达现实世界的概念、实体、事件及三者之间的关系。比如，三元组(姚明,身高,2.26米)和(姚明,国籍,中国)。2012年5月，谷歌公司发布了谷歌知识图谱（Google knowledge graph），宣布以此为基础构建下一代智能化搜索引擎。这是知识图谱名称的由来，也标志着大规模知识图谱在语义搜索中的成功应用。事实上知识图谱技术渊源已久——从20世纪70年代的专家系统（expert system），到万维网之父Tim BernersLee提出的语义网（semantic web），再到他后来提出的链接数据（linked data），都是知识图谱的前身。可以说，知识图谱的升温是人工智能对数据处理与理解需求逐日增加而导致的必然结果。

时间是自然界中所有实体都具有的重要属性，不少知识图谱（如Freebase、Wikidata、DBpedia、YAGO等）具有时间标记的知识。将时间信息引入三元组中所构成的四元组集合称作时态知识图谱（temporal knowledge graph）。全球事件知识图谱和冲突事件知识图谱都是典型的基于事件的时态知识图谱。此类知识图谱不仅包含了事件之间的共指、因果和时序等关系，还描述了事件之间的规律和演化模式，对传统的知识图谱补充了时间信息，因而具有更大的应用价值。时态知识图谱示例如图1所示。

图1   时态知识图谱示例

与传统的静态知识图谱相似，时态知识图谱中的知识也是不完备的，为了实现最大价值，其需要不断地消化吸收新数据，以完善知识体系。近年来，时态知识图谱补全（temporal knowledge graph completion）方法应运而生，受到了学术界的高度关注，并成为研究热点之一。这类方法基于时态知识图谱的现有四元组数据，建模预测真实存在的新四元组。这些预测得到的四元组经过验证后，可被添加到时态知识图谱中，作为其演化的结果。时态知识图谱补全的方法在构建大规模知识图谱、相似度计算、关系抽取，以及基于知识图谱问答等任务方面展现出巨大的应用潜力。

为了能够及时追踪到补全方法在时态知识图谱上的发展和应用，本文首先给出时态知识图谱补全的问题定义，回顾代表性的时态知识图谱补全方法，然后对不同类别的方法进行对比分析，给出可能的结合途径，最后总结当前时态知识图谱评测的7个基准数据集，并且给出几个代表性的补全模型在其中3个基准数据集上的评测结果。

2 问题定义

本节给出时态知识图谱及其补全过程的定义，并介绍相关的评测任务。

定义2.1 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，