基于径向基函数知识注意力机制的时间知识图谱补全方法研究

本文提出了一种基于径向基函数知识注意力机制（KA-RBF）的时间知识图谱补全（TKGC）新方法。针对传统人工规则生成的原知识序列（OKS）冗长低效的问题，作者创新性地结合关系图卷积网络（R-GCN）和Transformer编码器，通过全局图结构和时序上下文建模，将OKS精简为全面而简洁的知识序列（CCKS）。实验在五个基准数据集上验证了该模型在平衡知识全面性与简洁性方面的优越性。

　　

研究亮点

• 我们强调了全面而简洁的知识序列（CCKS）对时间知识图谱补全（TKGC）的重要性，并提出基于对比学习策略的径向基函数知识注意力机制（KA-RBF），用于学习原知识序列（OKS）中知识的重要性。在推理阶段，通过排序可直接剔除低重要性知识，将OKS精简为CCKS。

• 在学习OKS知识重要性时，所提出的知识排序模型同时利用关系图卷积网络（R-GCN）和Transformer编码器，兼顾OKS中知识的全局图结构和时序上下文特征。

• 我们在四个现有基准数据集上开展了多角度数据分析实验，进一步验证了KA-RBF的可行性。

• 从三个不同维度对五个数据集进行对比和消融实验，结果证明了模型的有效性。

基本符号定义与任务描述

我们可以访问一个时间知识图谱（TKG），其表示为G=(V,E,T)，其中V是节点集，E是边集，T是时间戳集。每个四元组形式为（头实体，关系，尾实体，时间戳），定义为(s,r,o,t)，其中(s,o)∈V，r∈E，t∈T。

知识排序模型

我们提出的知识排序模型以OKS为基本单元。在训练阶段，对于OKS每个时间戳的特定知识，模型会考虑其全局图结构；对于OKS整体，则考虑其全局时序上下文。在此基础上，采用对比学习策略，利用KA-RBF评估头尾实体对应OKS中所有知识对的加权相似度，从而确保相似知识获得更高权重。

数据集

使用五个标准TKG数据集：YAGO、ICEWS14、ICEWS05-15、ICEWS18和WIKI。预处理时对所有数据集采用相对时间偏移归一化处理。

结论与未来工作

本文提出的知识排序模型通过给实体OKS中各时间戳知识评分，显著缩短了OKS长度。为考虑不同时间戳间隐式关联对评分的影响，我们将时间戳嵌入和时域嵌入整合到KA-RBF的嵌入中。同时引入R-GCN来捕捉不同子图的图结构影响。