基于查询自适应Mamba增强时序关系学习的少样本时序知识图谱补全方法

本文提出FAME框架，首次将Mamba模型应用于少样本时序知识图谱补全(FTKGC)，通过三阶段关系表征学习策略（邻居感知建模、实例聚合建模和时间敏感建模）解决现有方法忽视邻居序列特性及查询自适应动态关系的问题。实验表明该框架在三个基准数据集上优于传统注意力(attention)和LSTM方法，并设计两种正则化损失应对困难负样本。

　　

Highlight

我们提出创新性FAME框架，其核心贡献可总结如下：

• 首次将Mamba模型应用于FTKGC任务，有效捕捉邻居序列特征及查询-支持集间的动态时序关联

• 设计三阶段关系表征学习策略：通过Mamba增强的邻居感知表征聚合有序邻居事件；实例聚合表征整合少样本四元组；时间敏感表征捕获查询自适应动态

• 在三大基准TKG数据集上的实验表明方法优越性，消融研究验证三阶段表征的有效性

Methodology

图3展示的FAME框架核心是通过序列建模构建具有时空感知的关系表征模型。三阶段流程包括：

1. 1.

   邻居感知关系表征：将邻居事件建模为时序序列，利用Mamba捕捉长程精细依赖（线性复杂度优势）

2. 2.

   实例聚合关系表征：通过跨实例学习构建关系原型

3. 3.

   时间敏感表征：动态建模查询四元组与支持集的时间差ΔT（如before/after、长短间隔等关键模式）

   另设计两种正则化损失分别应对：错误负样本（false negative）和时序冲突负样本（temporal conflict）。

Datasets and Evaluation Metrics

实验采用ICEWS05-15、ICEWS18（地缘政治事件库）和GDELT（全球人类活动数据库）三大经典数据集，筛选关系频率50-500的四元组构建少样本任务，保留其余数据作预训练。

Conclusion

FAME框架通过Mamba驱动的三阶段建模（邻居感知→实例聚合→时间敏感）革新了传统静态关系表征范式，两类正则化损失有效提升困难样本区分度。相比注意力机制和LSTM基线，Mamba在捕捉时序演化模式方面展现显著优势。