Leveraging Static Models for Link Prediction in Temporal Knowledge Graphs
Utrecht University（乌得勒支大学）
在知识图谱嵌入（KGE）中包含事实的时间范围为改进所得到的嵌入提供了重要的机会，并且因此为下游应用中的提高的性能提供了重要的机会。然而，很少有研究工作集中在这一领域，许多研究报告显示，与没有时间范围训练的模型（静态模型）相比，结果只略有改善。此外，而不是利用现有的静态模型的工作，他们介绍了特定的时间知识图谱的新模型。我们提出了一个新的视角，利用现有的静态嵌入模型的力量，集中精力操纵数据，而不是。我们的方法SpiMe从信号处理领域和图嵌入的早期工作中汲取灵感。我们表明，SpliMe竞争或优于目前的最先进的时间KGE。此外，我们发现目前用于评估静态模型在时间图上的性能的过程中存在的问题，并介绍了两种方法来抵消它们。
2021-06-29 cs.AI cs.CL cs.LG
Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon.com Inc（亚马逊公司）
在本文中，我们研究了一个现实的，但未充分探索的问题，称为Few-Shot时间知识图谱推理，其目的是预测未来的事实，为新出现的实体的基础上，在不断发展的图形极其有限的意见。它提供了实用价值的应用程序，需要获得即时的新知识的新实体的时间知识图谱（TKG）与最小的监督。这些挑战主要来自于新实体的Few-Shot和时移特性。首先，与它们相关的有限观察不足以从头开始训练模型。其次，从最初可观察的事实到未来事实的潜在动态分布要求明确地建模新实体的演化特征。我们相应地提出了一个新的Meta时态知识图谱推理（MetaTKGR）框架。与之前依赖于严格的邻域聚合方案来增强低数据实体表示的工作不同，MetaTKGR通过对未来事实的时间监督信号作为即时反馈，动态地调整从新实体的最近事实中采样和聚合邻域的策略。此外，这样的Meta时态推理过程超越了现有的静态知识图谱上的元学习范例，无法处理具有大实体方差的时态适应。我们进一步提供了一个理论分析，并提出了一个时间适应正则化稳定的Meta时间推理随着时间的推移。从经验上讲，在三个真实世界的TKG上进行的广泛实验证明了MetaTKGR在最先进的基线上的优越性。
2022-10-16 cs.AI cs.CL cs.LG
A survey of embedding models of entities and relationships for knowledge graph completion
VinAI Research（VinAI研究院）
关于实体及其关系的真实世界事实的知识图谱（KG）是用于各种自然语言处理任务的有用资源。然而，因为知识图谱通常是不完整的，所以执行知识图谱完成或链接预测是有用的，即，预测不在知识图谱中的关系是否可能为真。本文综述了知识图谱的实体和关系嵌入模型，总结了在标准基准数据集上的最新实验结果，并指出了未来的研究方向。
2020-10-27 cs.AI cs.CL cs.IR
Mutually-paced Knowledge Distillation for Cross-lingual Temporal Knowledge Graph Reasoning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon.com Inc（亚马逊公司）；Georgia Institute of Technology（佐治亚理工学院）
研究跨语言时态知识图谱推理问题，旨在通过迁移高资源语言时态知识图中的知识，促进低资源语言时态知识图的推理.鉴于现有的推理方法在那些严重不完整的TKG上的性能不令人满意，特别是在低资源语言中，跨TKG的跨语言蒸馏能力变得越来越重要。然而，它在两个方面提出了巨大的挑战。首先，跨语言的对齐，作为知识转移的桥梁，通常是太少了，两个TKG之间的转移足够的知识。第二，对齐实体的时间知识差异，特别是当对齐不可靠时，会误导知识蒸馏过程。我们相应地提出了一个相互步调的知识蒸馏模型MP-KD，其中在源TKG上训练的教师网络可以通过对齐模块指导在目标TKG上训练的学生网络。具体地说，为了处理稀缺性问题，MP-KD基于我们的表示模块提取的时间信息生成TKG之间的伪比对。为了最大限度地提高知识传递的效率和控制由时间知识差异引起的噪声，我们增强了MP-KD与时间跨语言注意力机制动态估计对齐强度。这两个过程随着模型训练而相互同步。在EventKG基准测试中的12个跨语言TKG迁移任务上的实验证明了所提出的MP-KD方法的有效性。
2023-03-27 cs.AI cs.CL cs.LG
Simple but Effective Compound Geometric Operations for Temporal Knowledge Graph Completion
College of Computer Science, Nankai University（南开大学计算机学院）；College of Software, Nankai University（南开大学软件学院）；College of Artificial Intelligence, Tianjin University of Science and Technology（天津科技大学人工智能学院）；China Automotive Technology and Research Center Co., Ltd.（中国汽车技术研究中心有限公司）
针对现有单几何操作时序知识图谱补全方法捕捉复杂时序动态性的局限，提出融合时间特定与关系特定两种几何操作的TCompoundE方法，经数学证明与实验验证其编码能力和性能均优于现有模型。
2024-08-13 cs.AI
Learning from History: Modeling Temporal Knowledge Graphs with Sequential Copy-Generation Networks
National University of Defense Technology（国防科技大学）；University of Southern California（南加州大学）
大型知识图谱通常会增长以存储时间事实，这些时间事实对实体沿时间轴的动态关系或交互进行建模。由于这样的时间知识图谱经常遭受不完整性，重要的是开发时间感知的表示学习模型，帮助推断缺失的时间事实。虽然时间事实通常是不断演变的，但据观察，许多事实往往显示出沿时间轴的重复模式，如经济危机和外交活动。这一观察表明，模型可以从历史上出现的已知事实中学到很多东西。为此，我们提出了一个新的表示学习模型的时间知识图谱，即CyGNet，基于一个新的时间感知副本生成机制。CyGNet不仅能够从整个实体词汇中预测未来的事实，而且能够识别具有重复性的事实，并参考过去的已知事实来预测这些未来的事实。我们使用五个基准数据集评估所提出的方法上的知识图谱完成任务。大量的实验表明，CyGNet的有效性预测未来的事实与重复以及从头事实预测。
2021-03-05 cs.AI cs.CL cs.LG
Tucker decomposition-based Temporal Knowledge Graph Completion
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
知识图谱已被证明是许多智能应用的有效工具。然而，大量有价值的知识仍然隐含在知识图谱中。为了丰富现有的知识图谱，近年来，许多链接预测和知识图谱嵌入算法被设计用于推断新的事实。但这些研究大多集中在静态的知识图谱上，而忽略了反映知识有效性的时态信息。开发用于时间知识图谱完成的模型是一项日益重要的任务。受4阶张量Tucker分解的启发，本文建立了一个新的时态知识图谱完备化的张量分解模型。我们证明了所提出的模型是充分表达和报告国家的最先进的几个公共基准的结果。此外，我们提出了几种正则化方案来改进该策略并研究它们对所提出模型的影响。在ICEWS 2014、ICEWS 2005 -15、GDELT三个时间数据集上的实验研究证明了我们的设计是合理的，并证明了我们的模型在链接预测任务上的性能优于基线，具有显式的裕度。
2020-11-16 cs.AI
RotateQVS: Representing Temporal Information as Rotations in Quaternion Vector Space for Temporal Knowledge Graph Completion
National University of Defense Technology（国防科技大学）；Pengcheng Laboratory（鹏城实验室）；Huawei Technologies Co., Ltd.（华为技术有限公司）
在实际应用中，时间因素与事实的增长密切相关，如疾病的进展、政治局势的发展等，因此，时间知识图谱（TKG）的研究备受关注。在TKG中，时间性所固有的关系模式需要被研究，以便进行跨时间事实的表示学习和推理。然而，现有的方法很难建模的时间关系模式，也不能捕捉随着时间的推移，关系之间的内在联系，缺乏可解释性。在本文中，我们提出了一种新的时间建模方法，表示时间实体的旋转四元数向量空间（RotateQVS）和汉密尔顿的四元数空间的复向量的关系。我们证明了我们的方法可以模拟TKG中的关键关系模式，如对称，不对称，逆，并可以进一步捕获时间演变的关系理论。经验上，我们表明，我们的方法可以提高性能的链接预测任务超过四个时间知识图谱基准。
2022-03-17 cs.AI
A Temporal Knowledge Graph Completion Method Based on Balanced Timestamp Distribution
Huazhong University of Science and Technology（华中科技大学）；Hefei University of Technology（合肥工业大学）
通过知识图谱（KGE）的嵌入表示来实现知识完备化是近年来的一个研究热点。现实知识图谱大多与时间相关，而现有的KGE算法大多忽略了时间信息。现有的一些方法直接或间接地对时间信息进行编码，忽略了时间戳分布的均衡性，极大地限制了时态知识图谱补全（KGC）的性能。本文在直接编码时间信息框架的基础上，提出了一种基于时间的KGC方法，将给定的时间片作为时间戳均衡分布的最细粒度。在现实世界中提取的时态知识图谱数据集上的大量实验证明了该方法的有效性。
2021-11-06 cs.AI
TimelineKGQA: A Comprehensive Question-Answer Pair Generator for Temporal Knowledge Graphs
The University of Western Australia（西澳大学）；Murdoch University（默多克大学）
针对时序知识图谱问答数据不足、定制问答对生成困难的问题，提出时间线-上下文关系分类框架与通用生成器 TimelineKGQA，可适用于任意 TKG 并开源。
2025-01-08 cs.AI cs.CL cs.LO
Multi-Modal Knowledge Graph Construction and Application: A Survey
Fudan University（复旦大学）；Huawei Cloud & AI（华为云与计算业务部）
近年来，知识工程的兴起，其主要特征是知识图谱的快速增长。然而，大多数现有的知识图谱是用纯符号表示的，这损害了机器理解现实世界的能力。知识图谱的多模态化是实现人级机器智能的必然关键步骤。这一努力的结果是多模态知识图谱（MMKG）。本文首先给出了多模态知识库的定义，然后对多模态任务和技术进行了综述。然后，我们系统地回顾了MMKG建设和应用的挑战，进展和机遇，并详细分析了不同解决方案的优势和劣势。我们完成这项调查与开放的研究问题有关的MMKG。
2022-12-18 cs.AI cs.CL cs.CV
Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs
Georgia Institute of Technology（佐治亚理工学院）
具有时间戳的大规模事件数据的可用性已经引起了包含每个边缘的时间信息的动态演化的知识图谱。在这种动态知识图谱中随着时间的推移进行推理还没有很好地理解。为此，我们提出了Know-Evolve，这是一种新型的深度进化知识网络，它可以随着时间的推移学习非线性进化的实体表示。事实（边缘）的发生被建模为多变量点过程，其强度函数由基于学习的实体嵌入计算的该事实的分数调制。我们在两个大规模的真实世界数据集上展示了各种关系学习方法的显着改进性能。此外，我们的方法有效地预测发生或复发时间的事实，这是新的相比，在多关系设置先前的推理方法。
2017-06-21 cs.AI cs.CL cs.LG
MetaTKG: Learning Evolutionary Meta-Knowledge for Temporal Knowledge Graph Reasoning
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
时态知识图谱推理（TKG）的目的是基于给定的历史来预测未来的事实。预测的关键挑战之一是了解事实的演变。现有的研究大多侧重于探索历史上的演化信息，为实体和关系获取有效的时间嵌入，但忽略了事实演化模式的变化，这使得它们很难适应未来具有不同演化模式的数据。此外，随着时间的推移，随着事实的演变，新的实体不断出现。由于现有的模型高度依赖于历史信息来学习实体的嵌入，因此它们在历史信息很少的实体上表现不佳。为了解决这些问题，我们提出了一个新的时间元学习框架TKG推理，MetaTKG的简洁。具体地说，我们的方法把TKG预测看作是许多时间元任务，并利用设计的时间元学习器从这些元任务中学习进化元知识。该方法的目的是引导骨干学习，以适应未来的数据，并处理与历史信息很少的实体学习的元知识。特别地，在时间元学习器中，我们设计了一个门控集成模块，自适应地建立元任务之间的时间相关性。在四个广泛使用的数据集和三个主干上的大量实验表明，我们的方法可以大大提高性能。
2023-02-02 cs.AI
T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion
Seoul National University（首尔国立大学）；Jeonbuk National University（全北国立大学）
与静态知识图谱相比，时态知识图谱本质上反映了现实世界知识的瞬时性。自然，自动TKG完成已经吸引了许多研究兴趣，为更现实的关系推理建模。然而，现有的TKG补全模型大多扩展了静态KG嵌入，没有充分利用TKG结构，因此缺乏1）对查询局部邻域中时间相关事件的考虑，以及2）基于路径的推理，从而促进了多跳推理和更好的可解释性。在本文中，我们提出了T-GAP，一种新的模型TKG完成，最大限度地利用时间信息和图形结构在其编码器和解码器。T-GAP通过关注每个事件和查询时间戳之间的时间位移来编码TKG的查询特定子结构，并通过在图中传播注意力来执行基于路径的推理。我们的实证实验表明，T-GAP不仅实现了卓越的性能对国家的最先进的基线，但也能胜任地推广到查询看不见的时间戳。通过大量的定性分析，我们还表明，T-GAP享有透明的可解释性，并遵循人类的直觉，在其推理过程。
2020-12-19 cs.AI cs.CL cs.LG
Unsupervised Entity Alignment for Temporal Knowledge Graphs
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）
实体对齐（EA）是一项基本的数据集成任务，它识别不同知识图谱（KG）之间的等价实体。时态知识图谱是对传统知识图谱的一种扩展，它引入了时间戳，受到越来越多的关注。最新的时间感知EA研究表明，TKG的时间信息有助于EA的性能。然而，现有的研究并没有充分利用时间信息在TKG中的优势。此外，他们通过预先对齐实体对来执行EA，这可能是劳动密集型的，因此效率低下。在本文中，我们提出了DualMatch，有效地融合了EA的关系和时间信息。DualMatch将TKG上的EA转换为加权图匹配问题。更具体地说，DualMatch配备了一种无监督的方法，它可以在不需要种子对齐的情况下实现EA。DualMatch有两个步骤：（i）使用新型无标签编码器Dual-Encoder将时间和关系信息分别编码到嵌入中;以及（ii）使用新型基于图匹配的解码器GM-解码器融合这两种信息并将其转换为对齐。DualMatch能够在有或没有监督的情况下对TKG执行EA，这是由于其有效捕获时间信息的能力。在三个真实世界的TKG数据集上进行的大量实验表明，DualMatch在H@1和MRR方面分别优于最先进的方法2.4% - 10.7%和1.7% -7.6%。
2023-02-08 cs.AI cs.CL cs.IR
DyERNIE: Dynamic Evolution of Riemannian Manifold Embeddings for Temporal Knowledge Graph Completion
LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）；Technical University of Munich（慕尼黑工业大学）
最近有越来越多的兴趣在学习表示的时间知识图谱（KG），它记录了实体之间的动态关系，随着时间的推移。时间KG通常表现出多个同时的非欧结构，如层次结构和循环结构。然而，现有的时间KG嵌入方法通常学习实体表示及其在欧几里得空间中的动态演化，这可能无法很好地捕捉这种内在结构。为此，我们提出了Dy-ERNIE，一种非欧几里德嵌入方法，它可以学习黎曼流形乘积中的演化实体表示，其中组合空间是从底层数据的截面曲率估计的。产品流形使我们的方法，以更好地反映各种各样的几何结构的时间KG。此外，为了捕捉时间KG的演化动力学，我们让实体表示根据在每个时间戳的切空间中定义的速度向量来演化。我们详细分析了几何空间的贡献表示学习的时间KG和评估我们的模型上的时间知识图谱完成任务。在三个真实世界数据集上进行的大量实验表明，性能得到了显着提高，这表明多关系图数据的动态可以通过黎曼流形上嵌入的演变来更好地建模。
2020-12-02 cs.AI cs.CL cs.LG
TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs
Siemens AG（西门子股份公司）；Ludwig Maximilian University of Munich（慕尼黑大学）
传统的静态知识图谱将关系数据中的实体建模为节点，由特定关系类型的边连接。然而，信息和知识不断演变，出现了时间动态，预计会影响未来的局势。在时间知识图谱中，通过为每条边配备时间戳或时间范围来将时间信息集成到图中。基于嵌入的方法已经被引入到时态知识图谱的链接预测中，但是它们大多缺乏可解释性和可理解的推理链。特别是，它们通常不被设计为处理链路预测-涉及未来时间戳的事件预测。我们解决的任务，时间知识图谱的链接预测，并介绍TLogic，一个可解释的框架，是基于时间的逻辑规则提取通过时间随机游走。我们将TLogic与三个基准数据集上的最新基线进行了比较，并显示出更好的整体性能，同时我们的方法还提供了保持时间一致性的解释。此外，与大多数最先进的基于嵌入的方法相比，TLogic在归纳设置中工作得很好，其中已经学习的规则被转移到具有公共词汇表的相关数据集。
2022-03-09 cs.AI cs.LG
What is Event Knowledge Graph: A Survey
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tencent（腾讯）
除了以实体为中心的知识图谱（KG）外，事件也是世界上一种重要的知识，这就引发了以事件为中心的知识表示形式的兴起，如事件KG（EKG）。它在许多下游应用中发挥着越来越重要的作用，例如搜索，问答，推荐，金融量化投资和文本生成。本文从历史、本体、实例和应用四个方面对心电图进行了全面的综述。具体来说，表征心电图彻底，我们专注于它的历史，定义，图式归纳，收购，相关的代表性图形/系统，和应用。研究了其发展过程和趋势。我们进一步总结了前瞻性的方向，以促进未来的研究心电图。
2022-06-13 cs.AI cs.CL cs.LG
Time in a Box: Advancing Knowledge Graph Completion with Temporal Scopes
UC Santa Barbara（加州大学圣巴巴拉分校）；Stanford University（斯坦福大学）
知识库中的几乎所有语句都有一个时间范围，在这个时间范围内它们是有效的。因此，时态知识库（TKB）上的知识库补全（KBC）（其中每个语句\textit{may}与时态范围相关联）引起了越来越多的关注。先前的工作假设TKB \textit{must}中的每个语句与时间范围相关联。这忽略了一个事实，即KB中通常缺少作用域信息。因此，之前的工作通常无法处理TKB由具有/不具有已知时间范围的时间语句组成的通用用例。为了解决这个问题，我们建立了一个新的知识库嵌入框架，称为TIME 2BOX，可以同时处理不同类型的非时态和时态语句。我们的主要见解是，时间查询的答案总是属于一个时间不可知的对应答案的子集。换句话说，时间是一个过滤器，可以帮助选择在特定时期内正确的答案。我们引入框来表示一组与时间无关的查询的答案实体。时间的过滤功能由这些框上的交点来建模。此外，我们概括了当前的评估协议的时间间隔预测。我们描述了两个数据集上的实验，并表明该方法优于国家的最先进的（SOTA）的方法在链接预测和时间预测。
2021-11-12 cs.AI
RTFE: A Recursive Temporal Fact Embedding Framework for Temporal Knowledge Graph Completion
Beijing University of Posts and Telecommunications（北京邮电大学）
静态知识图谱（SKG）嵌入（SKGE）是近年来的研究热点。近年来，时态知识图谱（TKG）嵌入（TKGE）技术应运而生。在本文中，我们提出了一个递归的时间事实嵌入（RTFE）的框架移植SKGE模型TKG和现有的TKGE模型TKG完成的性能提高。与以往忽略TKG在时间演化中状态连续性的工作不同，我们将图序列看作是一个马尔可夫链，它从前一个状态过渡到下一个状态。RTFE使用SKGE初始化TKG的嵌入。然后，它通过在时间戳之间传递更新的参数/特征来递归地跟踪TKG的状态转换。具体来说，在每个时间戳，我们近似的梯度更新过程的状态转换。由于RTFE递归地学习每个时间戳，因此它可以自然地转换到未来的时间戳。在5个TKG数据集上的实验表明了RTFE的有效性。
2021-06-04 cs.AI
Expressing Relational and Temporal Knowledge in Visual Probabilistic Networks
Imperial College of Science, Technology and Medicine（帝国理工学院）
贝叶斯网络已被广泛用于诊断任务，如医学，其中它们表示一组症状和一组疾病之间的依赖关系。对这种类型的知识表示的批评是，它仅限于这类任务，并且它不能处理其他人工智能应用中所需的知识。例如，在计算机视觉中，我们需要能够对复杂的知识进行建模，包括时间和关系因素。在本文中，我们扩展贝叶斯网络模型的关系和时间的知识，高层次的视觉。这些扩展网络具有简单的结构，使我们能够有效地传播概率。我们已经将它们应用到内窥镜领域，说明了如何在特定情况下使用一般建模原则。
2013-03-13 cs.AI
Towards Foundation Model on Temporal Knowledge Graph Reasoning
University of Stuttgart（斯图加特大学）；University of Southampton（南安普顿大学）
针对现有 TKGE 依赖训练期已见实体、关系与时间戳的问题，本文提出全归纳预训练模型 POSTRA，通过正弦时间编码和上下文消息传递实现跨 TKG 的零样本时序推理。
2025-06-04 cs.AI
A Survey On Few-shot Knowledge Graph Completion with Structural and Commonsense Knowledge
University of Florida（佛罗里达大学）
知识图谱（KG）已成为各种自然语言处理应用的关键组件。常识知识图谱（CKG）是一种特殊类型的知识图谱，其中实体和关系由自由形式的文本组成。然而，以前的KG完成和CKG完成的工作遭受长尾关系和新添加的关系，没有太多的已知三元组进行训练。鉴于此，Few-Shot KG完成（FKGC），它需要图表示学习和少样本学习的优势，已经被提出来挑战有限的注释数据的问题。在本文中，我们全面调查以前的尝试，这些任务的形式，一系列的方法和应用。具体来说，我们首先介绍FKGC挑战，常用的KG和CKG。然后对已有的研究成果从幼儿园的类型和研究方法两个方面进行了系统的分类和总结。最后，我们介绍了FKGC模型在不同领域的预测任务中的应用，并对FKGC的未来研究方向提出了我们的想法。
2023-01-03 cs.AI cs.CL cs.LG
FITTER: Vocabulary-Agnostic Cross-Domain Inference on Temporal Knowledge Graphs
University of Stuttgart（斯图加特大学）；SAP SE（思爱普公司）；University of Southampton（南安普顿大学）
FITTER是首个支持跨域迁移的全归纳时序知识图谱链接预测模型，通过相对顺序编码与消息传递生成词汇无关嵌入，在6类基准上无需重训便优于归纳基线，为语义网异构知识图谱推理提供可行基础。
2026-08-12 cs.AI
Temporal Knowledge Graph Completion using Box Embeddings
University of Oxford（牛津大学）
知识图谱完成是基于知识图谱中的现有数据推断缺失事实的任务。时间知识图谱完成（TKGC）是该任务到时间知识图谱的扩展，其中每个事实另外与时间戳相关联。目前的TKGC方法主要建立在现有的嵌入模型上，这些模型是为（静态）知识图谱完成而开发的，并将这些模型扩展到包含时间，其中的想法是学习实体，关系和时间戳的潜在表示，然后使用学习到的表示来预测在各个时间步丢失的事实。本文在静态知识图谱嵌入模型BoxE的基础上，提出了一种面向TKGC的嵌入模型BoxTE。我们发现，BoxTE是充分的表达，并具有很强的归纳能力的时间设置。然后，我们实证评估我们的模型，并表明它实现了国家的最先进的结果在几个TKGC基准。
2021-09-18 cs.AI cs.LG
Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph
National University of Defense Technology（国防科技大学）；International Digital Economy Academy（国际数字经济研究院）
在过去的几年里，通过学习实体和关系的嵌入来完成知识图谱（KG）的解决方案引起了人们的极大兴趣。时态知识图（TKG）通过将静态三元组与形成四元组的时间戳相关联来扩展传统的知识图谱（KG）。与转换情境中的知识生成和传统知识生成不同，不完全传统知识生成中不断涌现的实体和关系产生了预测具有不可见成分的缺失事实的需求，这就是外推情境。传统的时间知识图谱嵌入（TKGE）方法在外推设置中受到限制，因为它们是在固定的组件集内训练的。在本文中，我们提出了一种基于元学习的时间知识图谱外推（MTKGE）模型，该模型在从现有TKG中采样的链接预测任务上进行训练，并在具有不可见实体和关系的新兴TKG中进行测试。具体来说，我们元训练GNN框架，该框架捕获关系之间的相对位置模式和时间序列模式。学习的模式嵌入可以被转移到嵌入看不见的组件。在两个不同的TKG外推数据集上的实验结果表明，MTKGE始终优于现有的知识图谱外推模型和专门适应的KGE和TKGE基线。
2023-02-11 cs.AI cs.LG
A Neuro-Symbolic Framework for Sequence Classification with Relational and Temporal Knowledge
University of Pisa（比萨大学）；University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学）；University of Florence（佛罗伦萨大学）；University of Siena（锡耶纳大学）
本文提出一种结合关系与时间知识的神经符号序列分类框架，针对不同时间步需使用不同知识且含时间关系的知识驱动序列分类问题，通过新基准对比神经符号与纯神经架构，揭示了现有神经符号方法的不足。
2025-05-08 cs.AI
HGE: Embedding Temporal Knowledge Graphs in a Product Space of Heterogeneous Geometric Subspaces
University of Stuttgart（斯图加特大学）；University of Southampton（南安普顿大学）
针对时序知识图谱嵌入受限于单一几何空间的问题，提出将事实映射到复、对偶及分裂复空间乘积空间的HGE方法，并引入时序几何注意力机制，在标准基准上超越现有模型。
2023-12-25 cs.AI
A Survey of Qualitative Spatial and Temporal Calculi -- Algebraic and Computational Properties
University of Bremen（不来梅大学）；University of Technology Sydney（悉尼科技大学）；Otto-von-Guericke-University of Magdeburg（奥托·冯·格里克马格德堡大学）；University of Bamberg（班贝格大学）
定性时空推理（QSTR）是关于符号知识表示，通常在无限域上。采用QSTR技术的动机范围从利用计算特性，允许有效的推理，以捕捉人类的认知概念的计算框架。定性演算的概念是最突出的QSTR形式主义之一。本文首先概述了迄今为止开发的所有定性演算及其计算特性，以及基本概念和方法的广义定义，这些概念和方法现在涵盖了所有现有的演算。此外，我们提供了一个分类的演算根据其代数性质。
2016-06-01 cs.AI
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations
Saarland University（萨尔大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
时态知识图谱补全（TKGC）是一种基于事件和时态知识图谱的推理方法，其目标是对具有精确信息但缺失信息的知识进行补全。在这种情况下，张量分解已经成功地模拟了实体和关系之间的交互。它们在静态知识图谱完成中的有效性促使我们引入Time-LowFER，这是低秩张量因子分解模型LowFER的一系列参数高效和时间感知的扩展。注意到目前的方法来表示时间的几个限制，我们提出了一个周期感知的时间编码方案的时间功能，这是模型不可知的，并提供了一个更广义的时间表示。我们实现我们的方法在一个统一的时间知识图谱嵌入框架，专注于时间敏感的数据处理。实验结果表明，我们提出的方法在两个基准测试中的表现与最先进的语义匹配模型相当或更好。
2022-04-10 cs.AI cs.LG
On the Evolution of Knowledge Graphs: A Survey and Perspective
International Digital Economy Academy (IDEA)（国际数字经济 academy）；Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院）
本文全面综述了静态、动态、时序、事件四类知识图谱的演进及相关知识抽取与推理技术，介绍其实际应用并给出金融分析案例，最后展望了知识工程结合大语言模型等未来方向。
2025-05-21 cs.AI
PaTeCon: A Pattern-Based Temporal Constraint Mining Method for Conflict Detection on Knowledge Graphs
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
针对知识图谱时间冲突检测依赖人工枚举约束的问题，提出基于模式的自动挖掘方法PaTeCon，利用图模式与统计信息生成时间约束，在Wikidata和Freebase数据集上验证了其有效性。
2023-05-12 cs.AI
Geometric Algebra based Embeddings for Static and Temporal Knowledge Graph Completion
近年来，知识图谱嵌入（KGEs）通过将知识图谱（KG）中的实体和关系映射到几何空间中，在链接预测任务中表现出了良好的性能，因此受到了越来越多的关注。此外，许多最近的知识图谱涉及演变数据，例如，事实（\textit{Obama}，\textit{PresidentOf}，\textit{USA}）仅在2009年至2017年有效。这为知识表示学习带来了重要的挑战，因为这种时间KG随时间而变化。在这项工作中，我们努力超越KGE的复杂或超复杂空间，并提出了一种新的基于几何代数的嵌入方法，GeomE，它使用多向量表示和几何积来建模实体和关系。GeomE包含了几个最先进的KGE模型，能够模拟不同的关系模式。在此基础上，我们将GeomE扩展到TGeomE的时间KGE，它执行四阶张量分解的时间KG，并设计了一个新的线性时间正则化的时间表示学习。此外，我们还研究了时间粒度对TGeomE模型性能的影响。实验结果表明，我们提出的模型实现了最先进的性能链接预测在四个常用的静态KG数据集和四个完善的时间KG数据集在各种指标。
2022-02-25 cs.AI
OntoTKGE: Ontology-Enhanced Temporal Knowledge Graph Extrapolation
Northeastern University（东北大学）
OntoTKGE通过整合本体与时间知识，提升稀疏实体的外推性能，实验表明其优于现有基线方法。
2026-09-30 cs.AI
A Simple But Powerful Graph Encoder for Temporal Knowledge Graph Completion
LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）
知识图谱包含有关各种实体及其之间关系信息的丰富知识，而时间知识图谱（TKG）描述并建模实体随时间的交互。在这种背景下，自动时态知识图谱补全（TKGC）得到了极大的兴趣。最近的TKGC方法集成了先进的深度学习技术，例如，Transformers，并实现卓越的模型性能。但这也引入了大量多余的参数，给参数优化带来了较重的负担。在本文中，我们提出了一个简单但功能强大的图形编码器TKGC，称为TARGCN。TARGCN是参数有效的，它广泛地探索每个实体的时间上下文学习上下文表示。我们发现，而不是采用各种复杂的模块，它是更有益的，有效地捕捉实体的时间上下文。我们在三个基准数据集上进行了TARGCN实验。与最先进的TKGC模型相比，我们的模型可以在GDELT数据集上实现超过46%的相对改进。同时，它比ICEWS 05 -15数据集上最强的基线性能更好，参数减少了约18%。
2022-12-13 cs.AI cs.LG
SSTKG: Simple Spatio-Temporal Knowledge Graph for Intepretable and Versatile Dynamic Information Embedding
University of New South Wales（新南威尔士大学）
本文提出SSTKG框架，通过新的3步嵌入方法将时空数据整合进知识图谱，用于未来时间序列预测和空间信息推荐，提升了预测准确性与推荐相关性。
2024-02-19 cs.AI
APPTeK: Agent-Based Predicate Prediction in Temporal Knowledge Graphs
Christian-Albrecht University of Kiel（基尔克里斯蒂安-阿尔布雷希特大学）；LMU Munich（慕尼黑大学）
在时间知识图谱（tKG）中，时间维度被附加到知识库中的事实，导致实体之间的四元组，例如（任天堂，发布，超级马里奥，1985年9月13日），其中谓词在时间间隔内或在时间戳处保持。我们提出了一个强化学习代理收集查询实体的邻域的时间相关信息，同时。我们将所探索的图结构的编码称为指纹，其用作Q网络的输入。我们的代理决定顺序的关系类型需要探索下一个扩展查询实体的本地子图。我们的评估表明，所提出的方法产生竞争力的结果相比，国家的最先进的嵌入算法的tKG，我们还获得有关主体和对象之间的相关结构的信息。
2022-07-21 cs.AI cs.LG
Temporal Knowledge Graph Completion: A Survey
Deakin University（迪肯大学）；CNPIEC KEXIN, Ltd（中国图书进出口（集团）总公司科信有限公司）
本文首次综述时序知识图谱补全（TKGC），概述其背景、方法分类及未来方向，强调利用时间戳捕捉动态演化以提升预测准确性。
2022-01-16 cs.AI cs.LG
One-shot Learning for Temporal Knowledge Graphs
USC Information Sciences Institute（南加州大学信息科学研究所）
大多数真实世界的知识图谱的特征在于长尾关系频率分布，其中大部分关系只出现少数几次。这一观察结果引起了最近对低拍摄学习方法的兴趣，这些方法只能从少数几个例子中概括出来。然而，现有的方法是针对静态知识图谱定制的，并且不容易推广到时间设置，其中数据稀缺带来更大的问题，例如，由于新的、以前看不见的关系的出现。我们针对这个缺点，提出了一个一次性的学习框架，在时间知识图谱的链接预测。我们所提出的方法采用了自我注意机制，有效地编码实体之间的时间交互，和一个网络计算一个给定的查询和（一次性）的例子之间的相似性得分。我们的实验表明，该算法优于两个良好的研究基准的最先进的基线，同时实现显着更好的性能稀疏关系。
2020-10-23 cs.AI cs.LG
Temporal Knowledge Graph Forecasting with Neural ODE
Institute of Informatics, LMU Munich（慕尼黑大学信息学研究所）；Corporate Technology, Siemens AG（西门子股份公司企业技术部）；Technical University of Munich（慕尼黑工业大学）
在时间知识图谱（KG）上推断未来链接的兴趣越来越大。虽然时间KG上的链接随时间连续变化，但现有方法在离散状态空间中对时间KG进行建模。为此，我们通过将神经常微分方程（ODE）的思想扩展到多关系图卷积网络，提出了一种新型的连续统模型。该模型保持了动态多关系图数据的连续性，并将时间和结构信息编码为连续时间动态嵌入。此外，应用新颖的图过渡层来捕获动态图上的过渡，即，边缘形成和溶解。我们在五个基准数据集上进行了大量的时间KG推理实验，显示了我们的模型在未来链路预测任务上的优越性能。
2022-06-02 cs.AI cs.LG
Temporal Knowledge Graph Embedding Model based on Additive Time Series Decomposition
University of Bonn（波恩大学）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）
知识图谱（KG）嵌入是近年来研究的热点。大多数KG嵌入模型从时间未知的三元组学习。然而，在三元组旁边包含时间信息将进一步提高KGE模型的性能。在这方面，我们提出ATiSE，时间KG嵌入模型，将时间信息到实体/关系表示使用加法时间序列分解。此外，考虑到实体/关系表示随时间演变过程中的时间不确定性，我们将时间KG的表示映射到多维高斯分布空间中。每个实体/关系在一个时间步嵌入的平均值显示了当前的预期位置，而其协方差（时间上是平稳的）表示其时间不确定性。实验结果表明，ATiSE在四个时间KG上的链接预测方面处于领先地位。
2020-10-28 cs.AI cs.LG stat.ML
Temporal Inductive Path Neural Network for Temporal Knowledge Graph Reasoning
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；University of Macau（澳门大学）
本文提出实体无关的时序归纳路径神经网络TiPNN，通过历史时序图和查询感知时序路径建模历史信息，以解决TKG推理中实体规模大及新实体不断出现的问题，并在归纳设置下取得显著性能提升。
2024-01-25 cs.AI cs.LG
Optimal Alignment of Temporal Knowledge Bases
Sapienza University of Rome（罗马第一大学）；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig（德累斯顿/莱比锡可扩展数据分析与人工智能中心（ScaDS.AI））
本文提出时序知识库（TKB）对齐问题，通过最小化修改TKB使其能推导出给定查询且代价最优，针对ALC TKBs与带LTL算子的合取查询设计求解技术，扩展了有限迹上命题LTL的对齐方法。
2023-07-28 cs.AI cs.LO
Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction
LMU Munich（慕尼黑大学）；Siemens AG（西门子公司）；Technical University of Munich（慕尼黑工业大学）
针对时序知识图谱（TKGs）的单样本关系学习问题，本文将插值和extrapolated链接预测扩展到单样本设置，提出四个大规模基准数据集，并开发TKG推理模型以学习单样本关系，在所有数据集上均取得优越性能。
2023-05-24 cs.AI cs.LG
Biquaternionic Space with Complex-valued Attention for Temporal Knowledge Graph Completion
University of Chinese Academy of Sciences（中国科学院大学）
提出BSCA模型，在双四元数空间中结合圆与双曲旋转，用复值注意力动态融合实体表示，在GDELT等基准上显著提升时序知识图谱补全性能。
2026-09-15 cs.AI cs.LG
Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey
Freie Universität Berlin（柏林自由大学）；Continental Automotive Technologies GmbH（大陆汽车技术有限公司）；Fraunhofer FOKUS Berlin（弗劳恩霍夫研究所柏林）
本综述系统梳理自动驾驶轨迹预测与规划中的知识集成方法，分类分析符号到神经符号架构，并指出可解释AI、形式化验证及混合方法等未来趋势。
2025-05-22 cs.AI cs.LG
xERTE: Explainable Reasoning on Temporal Knowledge Graphs for Forecasting Future Links
Institute of Informatics, LMU Munich（慕尼黑大学信息学研究所）；Corporate Technology, Siemens AG（西门子股份公司中央研究院）；Department of Informatics, Technical University of Munich（慕尼黑工业大学信息学系）
建模随时间演化的知识图谱（KG）最近得到了越来越多的关注。在这里，图表示学习已经成为时间KG上的链接预测的主导范例。然而，基于嵌入的方法在很大程度上是以黑箱方式运行的，缺乏解释其预测的能力。本文提供了一个链接预测框架，原因在查询相关的子图的时间KG和联合模型的结构依赖和时间动态。特别是，我们提出了一个时间关系注意力机制和一个新的反向表示更新计划，以指导周围的查询封闭子图的提取。子图通过时间邻居的迭代采样和注意力传播来扩展。我们的方法提供了人类可以理解的证据来解释预测。我们评估我们的模型的四个基准时间知识图谱的链接预测任务。虽然更易于解释，但与以前的最佳KG预测方法相比，我们的模型在Hits@1上获得了高达20%的相对改进。我们还对53名受访者进行了调查，结果表明，该模型提取的链接预测证据与人类的理解一致。
2021-04-01 cs.AI cs.LG
Enhancing Temporal Link Prediction with HierTKG: A Hierarchical Temporal Knowledge Graph Framework
提出HierTKG框架，结合时序图网络与分层池化，建模谣言传播动态，提升时序链接预测性能，在多个数据集上取得高MRR，支持实时干预。
2024-12-16 cs.AI cs.SI
Arbitrary Time Information Modeling via Polynomial Approximation for Temporal Knowledge Graph Embedding
School of Computer \& Communication Engineering University of Science
本文提出PTBox方法，通过多项式分解时间信息并结合盒嵌入表示实体，解决时序知识图谱中任意时间戳建模和推理模式不足的问题，实验验证其有效性。
2024-05-01 cs.AI cs.LG
Bending the Future: Autoregressive Modeling of Temporal Knowledge Graphs in Curvature-Variable Hyperbolic Spaces
University of Southern California（南加州大学）；University of California, Los Angeles（加州大学洛杉矶分校）
近年来，时变知识图谱或时态知识图谱（TKG）越来越受到学术界的关注。以往的研究表明，不同的方法TKG推理，使用历史信息。然而，较少关注的层次结构内的信息在不同的时间戳。假定TKG是基于时间的知识图谱的序列，则序列中的年表导出图之间的层次结构。此外，每个知识图谱具有其可以彼此不同的层次级别。为了解决TKG中的这些层次特征，我们提出了HyperVC，它利用双曲空间比欧几里得空间更好地编码层次。通过将知识图谱作为向量嵌入到公共双曲空间中，来表示不同时间戳处的知识图谱之间的时序层次。此外，不同层次的知识图谱表示通过调整其实体和关系的双曲嵌入的曲率。在四个基准数据集上的实验表明，该算法有了很大的改进，特别是在层次较高的数据集上。
2022-09-12 cs.AI cs.LG
Modeling the evolution of temporal knowledge graphs with uncertainty
Ludwig-Maximilian University（路德维希-马克西米利安大学）
预测未来事件是时态知识图谱（tKG）面临的一个基本挑战。在现实生活中，预测一个平均函数在大多数情况下是不够的，但问题仍然是我们对自己的预测有多大的信心？因此，在这项工作中，我们将介绍一种新的图神经网络架构（WGP-NN）采用（加权）高斯过程（GP）联合建模的时间演变的事件的发生概率和时间依赖的不确定性。特别是，我们采用高斯过程来模拟未来的链接的不确定性，通过他们的能力来预测预测方差。这与现有的作品相反，现有的作品只能在学习的实体表示中表达不确定性。此外，WGP-NN可以模拟无参数的复杂的时间和结构动态的tKG在连续时间。我们进一步展示了该模型在两个真实世界基准数据集上的最新性能。
2023-01-12 cs.AI cs.LG
Spatio-Temporal Urban Knowledge Graph Enabled Mobility Prediction
Tsinghua University（清华大学）
随着移动通信技术的快速发展，互联网服务提供商（ISP）和应用服务提供商（ASP）大量收集人类的移动轨迹。另一方面，知识图谱（KG）的兴起为我们从海量轨迹数据中提取结构化的“知识”提供了一个很有前途的解决方案。本文基于知识图谱技术对用户的时空移动模式进行建模，并基于从多个源中以内聚方式提取的“知识”预测用户的未来移动。具体来说，我们提出了一种新的知识图谱，即，时空城市知识图谱（STKG），其中移动轨迹、场地类别信息和时间信息由STKG中具有不同关系类型的事实联合建模。在STKG中，将移动性预测问题转化为知识图谱完备化问题.进一步，提出了一种复杂的嵌入模型，该模型考虑了移动模式的时间动态性，利用PoI类别作为辅助信息和背景知识，通过精心设计的评分函数来衡量STKG中事实的可扩展性，从而解决了知识图谱的完备问题。广泛的评估证实了我们的模型在预测用户移动性方面的高准确性，即，与现有算法相比，准确率提高了5.04%。此外，作为背景知识和辅助信息的POI类别被证实是有帮助的，在准确性方面提高了3.85%的性能。此外，实验表明，我们提出的方法是时间效率，减少了超过43.12%的计算时间相比，现有的方法。
2021-11-10 cs.AI cs.IR cs.SI
Diachronic Embedding for Temporal Knowledge Graph Completion
Borealis AI（博雷亚斯人工智能研究院）
知识图谱（KG）通常包含指示不同时间的实体之间的关系的时间事实。由于它们的不完整性，已经提出了几种方法来推断新的事实KG的基础上，现有的一个问题被称为KG完成。KG嵌入方法已被证明是有效的KG完成，但是，他们已经开发的静态KG。开发时态KG嵌入模型是一个越来越重要的问题。在本文中，我们建立了新的模型，通过配备静态模型与历时实体嵌入功能，提供了在任何时间点的实体的特点，时间KG完成。这与仅提供静态实体特征的现有时间KG嵌入方法形成对比。所提出的嵌入函数是模型不可知的，并且可以潜在地与任何静态模型相结合。我们证明，结合它与简单，最近的静态KG嵌入模型，结果在一个完全表达的模型时间KG完成。我们的实验表明，我们的建议相比，现有的基线的优越性。
2019-07-06 cs.AI cs.LG stat.ML
Deep Learning on Knowledge Graph for Recommender System: A Survey
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
最近的研究进展已经证明了知识图谱（KG）在提供有价值的外部知识以改进推荐系统（RS）方面的有效性。知识图谱能够对连接具有一个或多个相关属性的两个对象的高阶关系进行编码。借助新兴的图神经网络（GNN），可以从KG中提取对象特征和关系，这是成功推荐的重要因素。在本文中，我们对基于GNN的知识感知深度推荐系统进行了全面的调查。具体来说，我们讨论了最先进的框架，重点是它们的核心组件，即，图嵌入模块，以及它们如何解决可扩展性、冷启动等实际推荐问题，并进一步总结了常用的基准测试数据集、评估指标以及开源代码。最后，我们总结了调查，并提出了潜在的研究方向，在这个快速增长的领域。
2020-03-25 cs.AI cs.IR cs.LG
