Dual-view temporal knowledge graph reasoning

Wei Chen

doi:10.1016/j.knosys.2025.114330

Dual-view temporal knowledge graph reasoning

2025-08-29

0

PRE

AI

DOI：10.1016/j.knosys.2025.114330

原文链接

摘要

En 中文

时序知识图谱（TKG）推理因其能够填补随时间变化的缺失知识而受到了广泛关注。近年来，基于图神经网络（GNN）的方法从连续时间或离散时间角度探索图拓扑结构的时序演化，为建模TKG中的事件关联提供了不同视角。两种基于GNN且视角不同的方法本应具有互补性，但现有研究尚未充分探索其有效集成。此外，在连续时间视图中，于GNN消息传递过程中捕捉事件的重复性构成挑战；而在离散时间视图中，知识图谱快照中同时发生事件之间的复杂关联难以高效建模。为此，本文提出了一种新的双视角TKG推理网络DV-TKR，通过整合两种图结构编码表示的优势，全面建模时序语义信息。在DV-TKR中，我们将连续时间TKG中每个实体的四元组邻居分解为三元组与时间。针对连续时间视图，我们提出了一种包含多注意力机制的时间感知事件重复建模（TERM）模块，以有效区分同一三元组在不同时间点的重要性。对于离散时间视图，我们提出了关系感知图演化建模（RGEM）模块，用于学习实体在连续知识图谱快照中的时序演化。RGEM模块中的关系感知图注意力机制能够捕捉知识图谱快照内同时发生事件之间的显著关联。在三个公开数据集上的大量实验结果证明了我们提出的方法相较于当前最优基线的优越性。

Dual-view temporal knowledge graph reasoning

摘要

期刊

机构

引用论文