双视角时序知识图谱推理网络：融合连续与离散时间建模的事件关联分析

本文提出双视角时序知识图谱推理网络DV-TKR，创新性地融合连续时间（TERM模块）与离散时间（RGEM模块）建模优势，通过多重注意力机制解决事件重复性识别（如经济危机周期）与共现事件关联性建模难题，在ICEWS14等数据集上显著提升推理性能，为动态知识表示提供新范式。

　　

Highlight

本文亮点：

• 首创双视角（连续时间+离散时间）融合的时序知识图谱(TKG)推理框架DV-TKR

• 连续时间视角设计时间感知事件循环建模(TERM)模块，通过三重分解与多重注意力区分历史重复事件重要性

• 离散时间视角开发关系感知图演化建模(RGEM)模块，利用RAGAT编码器捕捉KG快照中共现事件的全局关联

Conclusion

结论：

我们提出的DV-TKR模型通过双视角协同机制，有效解决了传统方法在事件周期性建模（如经济危机预测）和共现事件关联（如外交动态分析）中的局限性。实验表明，TERM模块对重复事件的细粒度时间权重分配（如图2(b)所示），与RGEM模块对快照间实体演化的关系感知建模，共同推动TKG推理性能达到SOTA水平。该框架为公共卫生事件追踪、药物研发时序分析等医学领域提供新工具。

Uncited Citation

未引用文献：图8相关引注缺失

Author Agreement

作者声明：全体作者确认最终版本，承诺作品原创性且未一稿多投

CRediT Authorship Contribution Statement

作者贡献：

陈伟（方法论/软件）、吴玉婷（概念化/形式分析）、郭胜男（验证/数据分析）、吴书涵（可视化）、江芝树（验证）、林友芳（基金支持）、万怀宇（监督/基金支持）

Declaration of Competing Interest

利益冲突声明：无已知竞争关系

Acknowledgment

致谢：本研究受国家自然科学基金（62406022）资助

（注：翻译严格遵循生物医学领域术语规范，如TKG/Term/RGEM等缩写保留原义，事件周期性和共现关联性等概念采用临床研究常用表述，并剔除原文文献标识符[1][2]等）