.png){kind=icon}
返回
Explainable extrapolation on temporal knowledge graphs via relation-driven and context-aware logical rules
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116537.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于时间知识图（TKG）的外推旨在根据历史事实预测未来事件，从而支持动态决策。尽管基于神经网络的方法取得了有前景的结果，但它们往往解释性有限，而基于规则的方法主要关注增强预测的可解释性。然而，现有的基于规则的方法面临两个关键局限性：(1) 它们忽略了关系的动态演化，无法捕捉语义转换；(2) 它们忽视了反复出现的交互模式和过去与未来事件之间的上下文依赖关系。为解决这些挑战，我们提出了RCLR，一种将关系驱动和上下文感知逻辑规则相结合的新型框架，以联合提高预测准确性和可解释性。RCLR引入关系驱动的马尔可夫转换矩阵来引导时间随机游走，有效捕捉关系语义的动态演化。同时，它提取三类上下文感知逻辑规则（前驱规则、桥梁规则和后继规则），能够发现超越传统规则挖掘约束的富有表现力且上下文一致的推理模式。在六个基准数据集上的广泛实验表明，RCLR持续优于当前最先进的方法，在平均倒数排名（MRR）上最高提升13.13%。此外，RCLR为其预测提供可解释的推理路径，为时间外推过程提供透明洞察。
Keyword:
Temporal knowledge graph
Explainable
Rule learning
Context-aware
Link prediction
