.png){kind=icon}
返回
Quadruple Modeling Network for Temporal Knowledge Graph Completion
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5716-5_39.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）的演变事件表示为信息检索和谣言检测等人工智能应用提供了关键基础设施。当前TKG补全方法面临三大关键限制：（1）将四元组结构转换为三元组约束了时序信息表示，（2）实体、关系和时间戳之间的跨空间交互具有挑战性，（3）邻域上下文利用不足且缺乏多义元素的消歧机制。为解决这些挑战，我们提出了基于四元组的神经语篇感知（Q-NDA）网络。我们的框架采用空间专用编码器进行实体、关系和时间戳表示，并配备信息语篇模块以实现双向跨空间通信。该架构通过整合上下文消歧和邻域注意力机制来解析语义歧义，同时聚合相邻四元组中的结构模式。这是首次通过综合邻域利用系统化解决TKG补全问题的方法。在基准数据集上的评估表明，Q-NDA具有卓越的性能，特别是在几何复杂的GDELT数据集上达到了最优结果——较现有方法平均指标提升19.3%，MRR增益20.5%。
Keyword:
Quadruple
Neural Networks
Temporal knowledge graph completion
Temporal knowledge graph embedding
期刊
W
IF:
0
论文数:
35
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容