.png){kind=icon}
返回
Learning entity-query dependency and query classification for temporal knowledge graph prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.128016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序知识图谱预测（TKGP）作为时序知识图谱推理研究的热点，近年来得到了广泛探索。大多数TKGP方法旨在预测具有循环、周期或序列模式的事件，因此它们在预测新事件时面临挑战。一些现有的TKGP方法将历史重复事件信息和基础非历史因素信息整合，用于新事件预测。然而，大多数新事件可以根据历史非重复事件和历史多跳事件所包含的基本信息成功预测。当前研究将这两种类型的事件粗粒度地归类为历史无关事件，这限制了模型预测新事件的能力。因此，本文根据事件与查询的相关性对历史事件进行细粒度划分，并提出了一种名为CMHE-NET的新型TKGP模型，以更好地预测新事件。为区分实体与查询在实体层面的匹配程度，我们基于复制机制，通过多种历史事件类别编码查询与实体之间的历史重复依赖、历史非重复依赖、历史多跳依赖和非历史依赖，以获得实体的概率分布。此外，为在细粒度历史事件划分下聚焦查询层面的关键实体，将基于监督对比学习的查询对比表示编码器与具有alpha平衡焦点损失的多分类查询分类器相结合，以实现多分类历史对比学习。实验结果表明，CMHE-NET超越了现有的TKGP方法，在三个事件型数据集（ICEWS14、ICEWS18和ICEWS05-15）和两个通用知识数据集（WIKI和YAGO）上达到了最先进性能。
Keyword:
Copy mechanism
Entity-query dependency
Historical contrastive learning
Temporal knowledge graph prediction
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Bayesian hypernetwork collaborates with time-difference evolutional network for temporal knowledge prediction.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Multi-hop reasoning over paths in temporal knowledge graphs using reinforcement learning基于强化学习的时态知识图路径多跳推理
PREAI
分享收藏
分享收藏ConvTKG: A query-aware convolutional neural network-based embedding model for temporal knowledge graph completionConvTKG: 基于查询感知的卷积神经网络嵌入模型的时态知识图补全NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏 没有更多内容
没有更多内容