来源：期刊VIP网 时间：
作者：朱可;秦涛;朱奎宇;王晨旭;
单位：西安交通大学智能网络与网络安全教育部重点实验室;
摘要：针对现有时序知识图谱推理补全方法侧重图结构特征建模，忽略其他重要演化依赖信息的问题，提出一种基于消息聚合的演化感知时序知识图谱补全方法，从局部和全局两个角度建模演化历史。基于邻近时间步内事实的演化具有依赖性的假设，使用演化聚合单元提取邻近时间步内图谱的语义、结构和时序特征。基于全局历史具有重现性的假设，提取全局历史中查询事实相关的交互实体或关系，构建候选实体或关系编码矩阵。解码时采用时间增强的ConvTransE解码器聚合局部依赖性和全局重复性演化信息，实现多粒度融合。训练时引入一种由易到难的课程学习策略，充分捕获历史演化序列的长度多样性。实验结果表明，该方法在3个标准数据集上均优于最优基线方法：在ICEWS14数据集上，平均倒数排名(M_(RR))、命中率Hits@3和Hits@10(正确答案出现在预测排名前3、10位的比例)较时序归纳路径神经网络(TiPNN)分别提升了1.13%、1.19%和2.45%;在ICEWS18数据集上，M_(RR)较基于图卷积网络的循环演化网络(RE-GCN)提升0.98%, Hits@3和Hits@10较TiPNN分别提升0.73%和1.59%;在WIKI数据集上，M_(RR)较RE-GCN提升0.13%,Hits@3和Hits@10较TiPNN分别提升2.97%和2.89%。在多个数据集上的性能提升验证了所提方法在全面建模演化依赖方面的有效性。
关键词：时序知识图谱;;图卷积网络;;ConvTransE解码器;;课程学习
基金资助：国家重点研发计划资助项目(2023YFC3306100);; 国家自然科学基金资助项目(62172324,62102310)
