Temporal knowledge graph completion via local–global contrastive embedding learning

Bo Zhu

doi:10.1016/j.neucom.2026.134499

Temporal knowledge graph completion via local–global contrastive embedding learning

2026-07-14

0

OA

AI

DOI：10.1016/j.neucom.2026.134499

原文链接

原文求助

摘要

En 中文

时序知识图谱（TKGs）由带时间戳的事实组成，是许多人工智能应用的核心基础；其完整性直接影响下游性能。然而，现实中的TKGs通常不完整，使得从已知事实推断缺失事实成为核心研究问题。当前时序知识图谱补全（TKGC）方法主要依赖基于嵌入的模型，将实体、关系和时间戳映射到低维向量空间以预测缺失事实。尽管已采用注意力机制来编码结构信息，但大多数方法聚焦于实体或关系周围的局部邻域，从而忽略了全局图结构，并未能充分利用多时间尺度上的时序模式。为解决这些局限，引入了一种基于局部-全局对比嵌入的新型TKGC模型。在全局层面，采用自注意力机制编码实体和关系，以捕捉图中的长距离结构依赖。在局部层面，将位置编码和时长远程嵌入整合到自注意力层中，以挖掘时间戳携带的细粒度时序信号，从而全面表征实体和关系随时间演化的方式。此外，受对比学习启发，将全局结构表示与局部时序表示进行对比融合，有效对齐并增强实体和关系嵌入。在三个常用基准（ICEWS14、ICEWS05-15和GDELT）上的评估显示，该方法在各项指标上均表现稳健，证实了所提方法在TKGC中的鲁棒性。

Keyword:

Temporal knowledge graphs

Knowledge graph completion

Contrastive learning

Self-attention

Temporal knowledge graph completion via local–global contrastive embedding learning

摘要

期刊

机构

引用论文