.png){kind=icon}
返回
Temporal knowledge graph forecasting query based on global-local historical information
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114476.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）查询旨在通过推理已知的TKG事实，检索符合时间约束的相关事实以回答给定查询。TKG查询研究的持续发展已将其扩展至TKG预测领域，通过利用查询问题的历史信息，实现对未知查询答案的预测。然而，当前TKG预测查询研究正面临两大显著挑战。首先，现有的TKG预测查询方法无法充分捕捉查询问题的全局历史信息，这使得难以有效挖掘周期性特征、重复模式以及新事件的动态演化特性。其次，在建模局部历史信息时，现有方法未能关注相邻时间戳间事实的历史相关性，忽略了局部信息在时间演化过程中的关键作用。为解决上述挑战，本文提出了一种基于全局-局部历史信息的TKG预测查询框架。具体而言，针对查询问题的全局历史信息，通过建模全局历史事实和非历史事实，学习历史事实的周期性和重复模式，以及非历史事实的潜在变化规律。关于局部历史信息，在知识图谱（KG）快照中聚合实体和关系，并在相邻时间戳上模拟其变化与演化，以增强模型捕捉时间依赖的能力。同时，量化局部快照对查询问题的影响，以更准确地捕捉局部信息的演化过程。最后，我们为不同类型的查询任务设计了专门的评分函数，以实现有效的查询预测。在四个数据集上的广泛实验表明，所提出的模型在预测未知查询方面优于其他基线模型。
