.png){kind=icon}
返回
A temporal knowledge graph reasoning model based on recurrent encoding and contrastive learning
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2595.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序知识图谱（TKGs）是捕捉随时间演变的动态事实的关键工具，使其在广泛的智能应用中具有极高的价值。在时序知识图谱外推推理领域，未来事件的预测具有重要意义并面临重大挑战。尽管现有模型考虑了随时间变化的事实，并认识到历史事实可能重复发生，但它们往往忽略了过去事件对未来预测的影响。受此启发，本研究引入了一种新型时序知识图谱推理模型，命名为“基于循环编码和对比学习的时序推理”（Temporal Reasoning with Recurrent Encoding and Contrastive Learning, TRCL），该模型整合了循环编码和对比学习技术。所提出的模型能够捕捉历史事实的演变，通过循环编码生成实体和关系的表示。此外，TRCL引入了一个全局历史矩阵以考虑重复的历史事件，并采用对比学习来缓解历史事实对未来事件预测的干扰。时序知识图谱的推理结果随后通过时间解码器得出。在四个基准数据集上进行的大量实验表明，所提出的TRCL模型在多项指标上均表现出卓越性能，超越了现有的最先进TKG推理模型。与强大的基线模型Time-Guided Recurrent Graph Network（TiRGN）相比，所提出的TRCL在ICEWS14数据集上使用平均倒数排名（MRR）评估指标实现了1.03%的提升。这一创新方法不仅提高了TKG外推的准确性，也为动态知识图谱应用中的鲁棒性设定了新标准，为未来预测智能系统的研究和实践应用铺平了道路。
Keyword:
Temporal knowledge graph reasoning
Recurrent encoding
Contrastive learning
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
暂无机构信息
引用论文
Temporal knowledge graph forecasting without knowledge using in-context learning基于上下文学习的不使用知识的时间知识图谱预测.png)
OAAI
IF0
OAAI分享收藏分享收藏
Query Path Generation via Bidirectional Reasoning for Multihop Question Answering From Knowledge Bases通过双向推理生成查询路径，用于从知识库中进行多跳问题回答
PREAI
分享收藏KCRec: Knowledge-aware representation Graph Convolutional Network for RecommendationKCRec: 用于推荐的知识感知表示图卷积网络
PREAI
分享收藏A fine-grained and multi-context-aware learning path recommendation model over knowledge graphs for online learning communities面向在线学习社区的知识图谱细粒度多上下文感知学习路径推荐模型
PREAI
分享收藏Entity-duet neural ranking: understanding the role of knowledge graph semantics in neural information retrieval实体二重奏神经排序：理解知识图谱语义在神经信息检索中的作用OAAI
IF0
OAAI分享收藏
查看更多内容