.png){kind=icon}
返回
DAGE: decay-aware graph extrapolation for temporal knowledge graph reasoning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2026.104484.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序知识图谱外推旨在推理和预测未来的未知事实。当前主流方法主要基于路径，通过实体间的多跳时序路径建模事件演化模式。大多数方法忽略了历史事件与查询事件之间的时序衰减效应，这引入噪声并阻碍模型聚焦于具有因果意义的新近证据，导致对长期序列依赖的建模能力不足。这一问题的根源在于信息融合的不足。为解决此问题，我们提出了新颖的衰减感知图外推方法（DAGE）。该方法将时序衰减作为融合的指导原则。首先，我们设计分层时序窗口结构重构时序图，减少冗余路径同时捕捉时序衰减效应。其次，引入跨模态融合模块，动态融合关系嵌入与时间距离特征以区分事件间的时间距离差异。最后，整合时序衰减增强的信息聚合模块，平衡不同时序路径上事件对查询事件的影响。实验结果表明，该模型在四个常用公开基准数据集上取得竞争性性能，并在跨时间预测场景中展现出卓越的泛化能力。这些发现共同验证了通过时序衰减建模对推理性能的显著提升。代码可在 https://github.com/MZ-MiaoZhang/DAGE 获取。
Keyword:
Temporal knowledge graph
Graph extrapolation
Temporal decay
Knowledge graph reasoning
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
暂无论文信息