基于可解释时间关系树-图的时间知识图谱预测

《Neural Networks》：Temporal Knowledge Graphs Forecasting Based on Explainable Temporal Relation Tree-Graph

时空知识图谱中的多跳时间关系链建模与可解释推理方法。提出TRTL框架，通过序列对齐图捕捉时间间隔和实体关系对齐，构建时空关系树图实现多跳推理的可解释性，结合注意力增强的Tree-LSTM模型有效建模长时依赖。在WIKIDATA12k和YAGO11k数据集上验证，显著优于现有符号模型。

　　

吴启宏|姆萨瑞泽|程远|严莉|马宗民

中国南京航空航天大学计算机科学与技术学院，南京

摘要

在现实世界的时间知识图中，实体之间的关系往往表现出复杂的时间动态。有效建模多跳时间关系链并实现可解释的推理仍然是时间知识图预测中的核心挑战，我们提出的模型TRTL（基于时间关系树的学习）正是为了解决这些问题。为了应对这些挑战，我们引入了一个新的推理框架，该框架基于两种互补的图结构：序列接地图（Sequence Grounding Graph），用于捕捉时间间隔和实体关系的对齐；时间关系树图（Temporal Relation Tree Graph），用于将多跳关系链组织成可解释的、树状结构的推理路径。这些结构使用增强了注意力机制的Tree-LSTM进行编码，使模型能够有效地捕捉时间逻辑和长距离依赖关系。基于树的符号推理过程提供了可解释的证据，提高了预测的透明度和可靠性。在两个时间间隔基准测试上的实验表明，TRTL的性能显著优于现有的基于符号的模型。

章节摘录

引言

知识图（KGs）是结构化表示，用于捕捉现实世界中的复杂信息。它们通常由三元组组成，每个三元组代表一个关于主体实体和对象实体$\left(e_s,r,e_o\right)$之间的关系的事实。知识图已广泛应用于推荐系统（Liu, Zheng等人，2021；Li, Liu等人，2021；Liu, Zheng等人，2022）、问答系统（Diefenbach, Giménez-García等人，2020；Jia, Pramanik等人，2021）和数字领域等。

相关工作

本节将相关工作分为不可解释模型（第2.1节）和可解释模型（第2.2节）进行分类。

预备知识

在第3.1节中，我们介绍了时间知识图（TKGs）的表示方法及其相应的链接预测任务。第3.2节讨论了时间关系和图扩展策略。第3.3节介绍了用于捕捉关系和时间模式的可解释图结构的构建方法。

我们的框架

我们以自上而下的方式描述了我们的模型。第4.1节概述了框架；第4.2节解释了接地序列图（Grounding Sequence Graph）和TRTG的构建；第4.3节介绍了增强注意力机制的Tree-LSTM；第4.4节介绍了不同模型变体下的节点嵌入策略；第4.5节介绍了一个用于限制计算复杂度的剪枝模块；第4.6节描述了损失函数。

数据集

为了评估我们提出的框架在建模复杂时间依赖关系和关系结构方面的有效性，我们在两个基准数据集WIKIDATA12k和YAGO11k（Dasgupta, Ray等人，2018）上进行了实验。这些数据集源自WIKIDATA和YAGO3，它们是广泛用于时间知识图链接预测任务的时间知识库，特别适合测试具有时间推理能力的基于规则的模型。与ICEWS或GDELT不同，后者主要关注...

结论

在这项工作中，我们提出了TRTL，这是一种用于基于时间间隔的知识图链接预测的新符号化和可解释的推理框架。与之前依赖静态规则系统或独立处理每个时间戳的方法不同，TRTL通过动态构建序列接地图（Sequence Grounding Graph，SGG）并提取符号化的时间关系树图（Temporal Relation Tree Graph，TRTG）来进行学习和推理。这种符号结构提供了透明的推理轨迹...

CRediT作者贡献声明

吴启宏：撰写——原始草稿。姆萨瑞泽：撰写——审阅与编辑。程远：数据整理。严莉：验证。马宗民：指导。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢

本项工作部分得到了教育部硅酸盐文物保护重点实验室（上海大学）（SCRC2025KF04TS）的支持。