.png){kind=icon}
返回
ERD-Net: Modeling entity and relation dynamics for Temporal Knowledge Graph reasoning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113404.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（TKG）因其事件预测中的巨大潜力和影响而获得了显著的关注和应用。现有方法主要关注学习实体和关系的低维嵌入以预测有效三元组。尽管取得了显著进展，但这些方法面临关系动态建模不足和非重复模式探索有限的挑战。为解决这些问题，我们提出了实体与关系动态表示学习网络（ERDNet），一种将动态表示学习与复制生成机制相结合的新型框架，以增强TKG推理。ERD-Net首先学习实体和关系的内在嵌入，捕捉其时间不变属性。这些嵌入在动态学习阶段被冻结以确保稳定性。在动态表示学习阶段，我们超越实体动态探索关系动态，区分全局和局部类别以评估其独特贡献。此外，解码器中引入了复制生成机制，能够同时建模历史重复模式和新颖非重复模式。在公开基准上的全面实验验证了我们所提出方法的有效性。结果表明，ERD-Net通过有效整合动态表示学习与复制生成机制，在TKG推理中达到了最先进性能。值得注意的是，我们的发现揭示，改进非重复模式的预测可显著提升性能，突显了TKG推理未来研究的良好方向。
Keyword:
Temporal Knowledge graph
Graph neural network
Representation learning
Relation dynamics
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Graph attention network with dynamic representation of relations for knowledge graph completion具有动态关系表示的图注意网络用于知识图补全
PREAI
分享收藏
分享收藏
分享收藏
查看更多内容