.png){kind=icon}
返回
MGIT: Multi-Granularity implicit temporal framework for knowledge graph question answering
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07404-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空知识图谱问答（TKGQA）旨在针对带有时态约束的查询，从时态知识图谱中检索实体或时间戳；然而，现有方法主要依赖单一粒度的时态表示，缺乏有效处理多粒度时态推理的能力，导致在复杂查询上表现不佳。为解决此问题，我们提出了一种多粒度隐式时态（MGIT）框架，通过建模不同粒度间的隐式时态依赖来增强时态表示和推理。具体而言，MGIT整合了图注意力网络与多头注意力机制以捕获结构和隐式时态关系，同时采用卷积神经网络和门控循环单元的组合来联合建模局部时态模式与长距离依赖。此外，引入了自学习编码策略以动态适应异构时态粒度，并采用集成学习机制聚合不同时态段的表示以提高鲁棒性。在MultiTQ和CronQuestions数据集上的大量实验表明，MGIT持续优于现有最优基线方法，凸显了其在捕获隐式时态信息及增强多粒度时态推理方面的有效性。
Keyword:
Temporal knowledge graph
Multi-Granularity
Temporal reasoning
Ensemble learning
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
End-to-end multi-scale residual network with parallel attention mechanism for fault diagnosis under noise and small samples具有并行注意机制的端到端多尺度残差网络在噪声和小样本故障诊断中的应用.png)
ISA TRANSACTIONS
ISA TRANSACTIONSIF6.5
PREAI
分享收藏
Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs提高在时态知识图谱上问答的时间敏感性
OAAI
OAAI分享收藏An improving reasoning network for complex question answering over temporal knowledge graphs一种改进的基于时间知识图的复杂问答推理网络APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容