融合时间编码和时间分布注意力的推理模型

来源：计算机技术与发展杂志2025年第06期北京时间：

作者：董文永;梁智学;周孟强;贾亚洁

单位：1. 新疆政法学院 信息网络安全学院,新疆 图木舒克 843900;2. 武汉大学 计算机学院,湖北 武汉 430072;3. 武汉大学 国家网络安全学院,湖北 武汉 430072

摘要：为了充分利用时序知识图谱数据的时间维度特征,解决时序知识图谱时间信息挖掘不充分的问题,提出了一种融合时间编码和时间分布注意力的推理模型 TETDM,该模型结合长期历史信息和短期历史信息来捕捉不同模式的历史事件对推理目标的影响。 首先,模型将较长一段历史信息中对应实体或关系出现的频率作为推理模型的长期约束条件。 其次,模型通过时间感知编码和时间分布注意力机制对短期历史信息进行编码,深入挖掘时序知识图谱数据的时间维度特征。 其中,时间感知编码器能够精准捕捉时间信息对实体和关系的影响,从而生成带有时间特征的实体和关系表示。 时间分布注意力机制通过在不同子图中建模每个重复事实的注意力,而不是仅仅学习它们的表示,来学习历史重复事件的变量分布。 通过编码时间特征对实体和关系的影响以及编码不同时间戳下历史信息的贡献程度,可以获得在时间维度上更为精准的实体和关系的嵌入表示,从而提高模型的推理能力。 在 ICEWS14、ICEWS05-15、ICEWS18 以及 GDELT 数据集上的结果进一步证实,TETDM 提出的时间编码模块和时间分布注意力模块均可以提升模型的推理性能。

关键词：时序知识图谱;图卷积神经网络;注意力机制;时间编码;知识推理