基于历史学习和关系注意力的时序知识图谱推理

来源：计算机技术与发展杂志2024年第07期北京时间：

作者：黄涛;徐芳芳;顾进广;

摘要：时序知识图谱在传统静态知识图谱上进一步引入了时间维度,由此引出时序知识图谱推理任务,旨在推理未来事件或缺失事实的实体或关系。 针对大多数时序知识图谱推理模型存在没有充分利用历史事实和关系关联分析的问题,该文提出一种基于历史学习和关系注意力的时序知识图谱推理方法(简称 HLRA)。 为了充分利用历史事实,使用多层感知机学习历史事实中的时间戳权重,并结合复制模式的思想,编码出具备时间权重的历史语义偏移向量,在此基础上关联查询信息得到历史学习评分。 另一方面,使用自注意力机制分析关系间的关联,将计算出的关系间注意力分数作为影响因子,并将之加权到实体预测中得到关系注意力的得分。 最终,通过结合两个分数以获得综合的置信分数。 在 ICEWS18、ICEWS14、YAGO 和 GDELT 等数据集上的实验结果表明,HLRA 模型在 MRR、Hits@ 1、Hits@ 3 和 Hits@ 10 等评价指标上较次优模型获得 1% 至 4% 的提升,有效提升了时序图谱推理的能力,是一种效果更好的模型。

关键词：知识图谱;时序推理;多层感知机;复制模式;注意力机制