基于分级知识嵌入与强化学习的时序知识图谱推理方法

来源：计算机工程与应用杂志2025年第13期北京时间：

作者：黄勇萍, 李春青, 李熙春

单位：广西民族师范学院 数学与计算机科学学院，广西 崇左 532200

摘要：针对时序知识图谱推理方法中未能充分捕捉语义依赖、时间演变信息以及缺乏可解释性等问题，提出一种基于分级知识嵌入与强化学习的时序知识图谱推理方法，命名为THKERL。THKERL包含两个关键组件：分级知识嵌入模型（HKEM)以及强化学习推理模型（RLRM)。HKEM通过两个级别知识嵌入以获得更准确的知识图谱特征表示：子图级别旨在建模每个知识图中并发事实之间的语义依赖关系，而全局图级别主要用于捕捉实体随时间演变的动态特征信息。在此基础上，RLRM使用强化学习，引入加权动作评分机制设计策略网络，充分考虑查询问题与推理路径关系进行奖励塑形，以实现更可靠的知识推理。为验证THKERL方法的有效性，在ICEWS14等数据集上进行实验，并将实验结果与TiTer等主流时序知识图谱推理方法进行对比分析。实验结果表明，THKERL在实体预测任务上的Hits@[k]平均提升超过5.9个百分点，MRR平均提升超过6.8个百分点。

关键词：时序知识图谱,分级知识嵌入,知识推理,强化学习,奖励塑形