来源：期刊VIP网 时间：
作者：张宇姣;徐健;吴迪;
单位：太原师范学院计算机科学与技术学院;桂林电子科技大学机电工程学院;哈尔滨工程大学计算机科学与技术学院;齐齐哈尔大学计算机与控制工程学院;
摘要：针对传统知识图谱推理模型在时间关联推理方面的局限性，以及现有模型仅通过在静态知识图谱中加入时间戳组合，而未充分考虑时间序列依赖关系的问题，提出基于图表示学习的知识图谱时序推理(KGTR＿GRL)模型；针对图表示学习中的邻居结构信息，设计多关系图结构编码器，以解决当前大部分研究忽略的节点重要性问题；为了更深入地捕获时间信息，将注意力机制引入到时序编码器中，设计模型时序推理算法，通过解码器计算评分并转换为候选实体的概率；采用2个公开数据集测试模型的性能，并与多个现有模型的性能进行比较。结果表明，KGTR＿GRL模型表现出更好的性能，实验中平均倒数排名，预测排名小于或等于1、 10的三元组的平均占比指标均优于其他现有模型，证明了考虑多阶邻居特征信息的多关系编码器性能的优越性。
关键词：时序推理;;时序知识图谱;;图表示学习;;图卷积神经网络
基金资助：国家自然科学基金项目(32060157)
