.png){kind=icon}
返回
Temporal knowledge graph reasoning via multi-granularity knowledge refinement
.png){kind=icon}
PRE
AI
DOI：10.1007/s11704-026-51857-8.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）推理在基于历史数据预测新兴事实上发挥着关键作用。然而，现有的TKG推理方法通常不加区分地聚合给定时间窗口内的所有历史事实，这往往会引入过时或不相关的信息。这种信息冗余会显著阻碍推理性能，尤其是在TKG的规模和复杂性持续增长的情况下。因此，有效过滤无关事实对于提高推理精度和效率至关重要。为应对这一关键挑战，我们聚焦于如何优化TKG，并提出了一种基于多粒度知识精炼的时序知识图谱推理模型（T-MKR）。具体而言，我们提出了一种多粒度知识精炼方法来修剪历史TKG，该方法在边和节点层面选择性移除无关边和冗余节点。随后，利用精炼后的子图进行表示学习。为有效整合两种精炼信息，我们引入了子图门控集成模块。此外，我们借助对比学习对子图进行对齐，以强调两个精炼子图之间的关系。在六个常用数据集上的大量实验表明，T-MKR相比许多当前最佳基线方法具有显著优势。
Keyword:
temporal knowledge graph
temporal knowledge graph reasoning
knowledge refinement
期刊
IF:
4.6
论文数:
1.6K
被引数:
2.8K
机构
引用论文
分享收藏The Use of Twitter to Track Levels of Disease Activity and Public Concern in the U.S. during the Influenza A H1N1 Pandemic.png)
PLoS ONE
OAAI
PLoS ONEIF0
OAAI分享收藏Learning dual disentangled representation with self-supervision for temporal knowledge graph reasoning学习具有自监督的双重解纠缠表示的时间知识图推理
PREAI
分享收藏Exploring High-Order User Preference with Knowledge Graph for Recommendation基于知识图谱探索高阶用户偏好以进行推荐
PREAI
分享收藏
查看更多内容