.png){kind=icon}
返回
Multi-view entity attribute prediction model based on entity association and temporal dependency
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07999-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空知识图谱补全（TKGC）是时空知识图谱（TKGs）领域的一个重要研究问题。现有研究主要关注实体间缺失关系的推断，往往忽视了丰富且宝贵的实体属性。作为图谱质量评估的一部分，预测和补全实体属性也是TKGC任务的关键方面，在各类嵌入学习和预测应用中发挥着重要作用。然而，由于图内复杂交互、时态动态以及变化影响的传播，预测实体属性仍具挑战性。本文提出了一种新模型AT-EAPM，用于整合TKGs中实体、属性及图结构的关联依赖和动态时态依赖，以进行实体属性预测。该模型采用多视图提取模块，获取知识图谱（KG）每个时间窗口的三组嵌入信息：实体属性、属性变更影响和属性影响路径。由于高维多视图表示和历史图谱快照的序列建模，本方法涉及密集矩阵运算，在规模化部署时计算量较大。此方法旨在探索实体与属性间的深层关联特征。门控循环单元（GRU）用于编码每个时间窗口中组合的实体和属性邻域表示的关联特征，学习时态依赖特征。基于实体关联和时态依赖，模型预测实体属性。在单属性和多属性实体数据集上的实验表明，多视图实体关联和时态依赖特征有效，实现了高精度。我们的实现采用小批量训练与分布式数据并行（4块GPU），通过GPU加速减少训练时间。这展示了利用高性能计算（HPC）基础设施处理大型或频繁更新的时空知识图谱的潜力。
Keyword:
Entity attribute prediction
Temporal knowledge graphs
Multi-view
Entity association
Temporal dependency
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Learning high-order structural and attribute information by knowledge graph attention networks for enhancing knowledge graph embedding通过知识图注意力网络学习高阶结构和属性信息以增强知识图嵌入
OAAI
OAAI分享收藏RNN-LSTM: From applications to modeling techniques and beyond—Systematic reviewRnn-lstm: 从应用到建模技术及超越-系统综述OAAI
OAAI分享收藏Attribute prediction of spatio-temporal graph nodes based on weighted graph diffusion convolution network基于加权图扩散卷积网络的时空图节点属性预测
PREAI
分享收藏Knowledge graph embedding with entity attributes using hypergraph neural networks基于超图神经网络的知识图谱嵌入与实体属性
PREAI
分享收藏Many-objective emergency aided decision making based on knowledge graph.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
FedKGRec: privacy-preserving federated knowledge graph aware recommender systemFedKGRec: 隐私保护的联邦知识图感知推荐系统APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容