一种向量索引支持的时态知识图谱高效搜索方法

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：朱红;胡新雨;高莉莎;张强;徐晓轶;朱盟盟

单位：1. 国网南京供电公司,江苏 南京 210009;2. 国网南通供电公司,江苏 南通 226000;3. 国网智能电网研究院有限公司,北京 102200;4. 苏州华天国科电力科技有限公司,江苏 苏州 215000

摘要：知识图谱嵌入(Knowledge Graph Embedding,KGE)将实体和关系表示为低维、连续的向量,使机器学习模型能够轻松适应知识图谱(Knowledge Graph,KG)的搜索任务。 然而,在大规模知识库(Knowledge Base,KB)的搜索密集型应用中,现有的模型大多侧重于提高在静态 KG 上搜索的准确性,忽略了在动态时态知识图谱(Temporal Knowledge Graph,TKG)上搜索的时间效率。 为此,提出了一种向量索引支持的 TKG 高效搜索方法,以提高在 TKG 上的搜索效率。 具体来说,首先,将实体,关系和时间信息映射到向量空间,并利用长短期记忆神经网络(Long Short-Term Memory,LSTM)学习关系类型的时间感知,从而建立了具有时间信息感知与关系联合编码的 TKG 向量库。 然后,利用向量数据库建立大规模TKG 的向量索引库(IndexIVFFlat)。 注意,该索引通过聚类操作来划分搜索空间,以提高知识的搜索效率。 最后,在拥有高效索引的 TKG 上通过相似度计算执行近似性搜索与实验评估。 结果显示,该方法在时间效率上优于未建立索引的方法,且在搜索准确度上优于一些强相关的方法。 表明,该向量索引库的建立在保证了搜索准确性的前提下提高了在 TKG上的搜索效率。

关键词：知识图谱嵌入;时态知识图谱;索引;搜索;向量数据库;机器学习