.png){kind=icon}
返回
Temporal knowledge graph completion based on time embedding and time-frequency decoder
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02137-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序知识图谱（TKG）补全对于通过建模实体和关系随时间的演化来预测缺失链接至关重要，在事件预测和趋势分析等领域具有关键应用。然而，现有方法通常优先考虑实体和关系动态，将时间信息视为次要特征，这阻碍了它们有效捕捉跨不同时间尺度变化的能力。这一局限性限制了它们建模复杂时序模式（如周期性和长期趋势）的能力，而这些模式对于准确表示时序敏感数据至关重要。为克服这些挑战，我们提出了TETFD（时间嵌入和时间-频率解码器），一种新型方法，该方法通过引入时间嵌入来显式捕捉时序动态，并将其整合到一个专用解码器中。该解码器不仅能处理实体和关系数据，还能整合从时序序列中提取的频域特征，增强了模型同时反映短期变化和长期趋势的能力。在五个基准数据集上的实验结果表明，TETFD显著优于现有方法，为TKG补全任务建立了新的标准。
Keyword:
Temporal knowledge graph completion
Graph neural network
Time embedding
Multi-scale temporal information
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
.png){kind=icon}
