基于空间变换的持续知识图谱嵌入模型STCKGE：提升多跳关系学习与预测精度的创新框架

本文推荐一篇突破性研究：作者团队提出首个基于空间变换的持续知识图谱嵌入框架STCKGE，通过基向量-偏移量双表征机制（BoxE启发）和双向协同更新策略，显著提升多跳关系建模能力（平均MRR提高5.4%），同时创新性地引入平衡嵌入法缓解灾难性遗忘，实验在包含自建MULTI数据集在内的8个基准上验证了其优越性。

　　

Highlight

• 首创基于区域嵌入的空间变换框架，首次将BoxE类方法应用于持续知识图谱嵌入（CKGE）任务

• 设计双向协同更新策略：通过空间偏移操作同步更新新旧知识嵌入，降低90%再训练成本

• 提出平衡嵌入法：细粒度参数约束有效抑制灾难性遗忘，预测准确率提升6.7%（Hits@1）

• 构建MULTI基准数据集：专注多跳关系评估，模型MRR指标突破性提升5.7%

Related Work

传统KGE模型：分为平移式（如TransE^[9]）和文本式两类。RotatE^[5]通过复数空间旋转定义关系，而Space-Translation类方法（如BoxE^[8]）采用更复杂的空间变换增强关系建模能力。

Preliminary

动态知识演化：知识图谱以快照序列G=(S₁,S₂,...,S_n)表示，其中ΔE_i=E_i-E_i-1等符号分别表示新增实体/关系/事实。

Datasets

实验选用8个数据集（含自建MULTI），其中ENTITY等4个为实体中心型，GraphEqual等3个呈现等差/高阶/低阶三元组增量特征（详见表2a/b），所有数据均包含5个时间快照和标准训练/验证/测试划分。

Conclusion

本研究提出的区域嵌入框架通过基向量-偏移量协同定位机制，不仅强化了复杂关系（如多跳链）的表征能力，更通过空间变换实现零持续学习损耗的知识更新。配套开发的MULTI数据集为领域提供了首个多跳关系评估基准。