.png){kind=icon}
返回
Query-Aware Dynamic Representation Learning for Temporal Knowledge Graph Reasoning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-09527-5_22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于历史事实预测未来查询的时序知识图谱（TKG）推理已引起广泛关注。现有方法学习实体的动态表示，然后基于这些表示预测查询。然而，它们主要从历史事实中学习表示，未考虑查询信息。实际上，查询能突出相关历史事实，使模型学习更具体务特定和准确的动态表示。此外，并发查询常表现出结构依赖性，有助于更精确连贯的预测。受此启发，我们提出查询感知动态表示学习（QDRL）方法，自适应地将查询信息融入动态表示学习过程。具体而言，为捕捉并发查询间的结构依赖，QDRL采用基于CNN的查询编码器生成查询表示，并通过基于Transformer的时序编码器将其融入动态实体表示。此外，考虑到部分实体静态背景知识未在TKG中显式表示，我们利用大型语言模型（LLMs）构建全面背景知识图谱。通过建模该图谱，QDRL生成更丰富的实体初始表示，从而提升动态表示质量。在五个基准数据集上的TKG推理实验表明，所提QDRL方法显著优于现有基线，实体和关系预测任务的MRR分别提升5.41%和16.96%。代码和数据见：https://github.com/vzhang-mm/QDRL。
Keyword:
Temporal Knowledge Graph
Large Language Models
Knowledge Representation
Knowledge Graph Reasoning
期刊
S
IF:
0
论文数:
30
被引数:
0
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏分享收藏MGKsite: Multi-Modal Knowledge-Driven Site Selection via Intra and Inter-Modal Graph FusionMGKsite：基于模内和模间图融合的多模态知识驱动的选址
PREAI
分享收藏
查看更多内容