合成时序知识图谱推理的事件语义

《Information Processing & Management》：Synthesizing event semantics for temporal knowledge graph reasoning

　　

•事实对齐的事件语义在数据和模型两个层面被整合，以增强时序知识图谱中的推理能力。
•层次化的事件类型语义提升了关系表示的区分能力。
•静态背景语义丰富了实体和上下文表示。
•动态语义和静态语义被自适应地融合，用于未来实体和关系预测。

**引言**

知识图谱（KGs）以三元组的形式表示实体及其关系，为信息组织和智能推理提供了结构化的基础（Ji et al., 2022, Peng et al., 2023）。然而，现实世界中的关系并非静态不变：事件发生、组织变迁和行为互动往往与显式的时间属性相关联（Liang et al., 2024）。时序知识图谱（TKGs）通过引入时间戳扩展了传统知识图谱，将事实表示为随时间演化的图序列（Ji et al., 2022）。时序知识图谱推理（TKGR）旨在根据历史观测推断缺失或未来的事实，是动态知识更新和趋势分析的关键技术（Cai et al., 2023）。在TKGR任务中，未来时间戳处的实体预测和关系预测已成为核心问题设定（Zhang et al., 2024）。

近年来，TKGR方法形成了一个系统性的谱系。一类工作聚焦于时间感知的嵌入学习，通过向实体和关系表示中显式注入时间信息（Dasgupta et al., 2018, Goel et al., 2020, Messner et al., 2022）。另一类工作将序列建模与图结构编码相结合，从历史事实序列中学习实体和关系的演化表示（Li et al., 2026, Li et al., 2022, Li et al., 2021）。此外还有查询驱动的方法，提取时序邻域内与查询相关的局部结构以支持预测和解释（Bai et al., 2025, Luo et al., 2026, Meng et al., 2024, Xu et al., 2023）。总体而言，现有TKGR模型主要集中于从历史事实中学习结构依赖和事件动态，却未能充分利用与这些事实密切相关的事实对齐事件语义，从而限制了性能的进一步提升。

然而，仅依赖历史四元组可能导致事件型TKGs中存在两类语义不完整。首先，在关系层面，事件关系并非孤立的标签，而是通常对应于组织在层次化语义体系中的事件类型。在历史共现上相近的关系可能在其事件类型语义上仍有差异，而在历史中稀疏的关系可能与其他关系共享更高层级的语义约束。缺乏此类层次化类型信息时，关系表示对于语义相似的事件类别可能缺乏区分性。其次，在实体层面，未来事件的合理性往往取决于参与实体之间稳定的上下文兼容性，例如国家归属、领域信息和事件相关的地理背景。这些背景属性通常不存在于标准TKG四元组中，使得模型难以区分结构相似但上下文不同的候选项。因此，事实对齐的事件语义可以作为历史时序动态的互补语义信号，而非其替代品。

尽管TKGR性能受多种因素影响，如时间稀疏性、长尾实体、历史重复性和时间编码器的容量等，但本工作并不认为缺失的事件语义是唯一或主要的瓶颈。相反，我们将事实对齐的事件语义视为一种重要且尚未被充分探索的互补信息源。通过显式建模此类语义，ES-TKGR旨在超越历史结构和时间模式来丰富实体和关系表示，从而为未来事实预测提供额外的语义支撑。

本工作聚焦于两类可以自然地与时序知识图谱事实对齐且通常在事件数据中可用的事件语义。第一类是层次化事件类型语义。事件类型通常以父子层次关系和多粒度结构组织，为跨时间一致性提供可复用的约束来源，主要支持关系层面的语义区分。第二类是静态事件背景语义，描述稳定的实体属性和事实的静态上下文属性，从而为实体兼容性建模提供与时间无关的语义补充和上下文锚点。这两类语义都是必要的，因为它们针对TKGR中不同方面的语义不完整问题。层次化事件类型语义通过引入类型层级和层次感知的约束，帮助区分语义相关的事件关系；而静态事件背景语义通过引入稳定背景属性和事件相关上下文信息，帮助区分上下文合理的实体。它们在TKGR中的作用可以通过ICEWS中的一个事件事实来说明，例如（俄罗斯政府首脑, 咨询, 俄罗斯政府, 2021-1-28）。在这个事实中，层次化事件类型语义帮助刻画交互类型。例如，"咨询"可以与CAMEO等事件本体中的更广泛的"外交互动"类别相关联，使该事实继承相关交互类型共享的高层级语义约束。同时，静态事件背景语义有助于解释为什么参与实体适合该事件。"俄罗斯政府首脑"和"俄罗斯政府"共享稳定的背景属性，如国家归属和政府相关角色。这两类语义共同为事件类型理解和实体兼容性建模提供互补支持，它们的独立贡献在实验部分的消融研究中得到了进一步量化。

为应对上述挑战，我们提出了ES-TKGR，该框架构建并整合与时序知识图谱事实对齐的事件语义，以建模事实间的隐含依赖关系。具体而言，所提出的方法解决了三个关键挑战。第一，如何有效利用层次化事件类型语义。事件类型层次结构编码了语义组织，为跨时间一致性提供可复用的约束，同时TKG关系可以被视为对应于不同层级事件类型的语义载体。为此，ES-TKGR引入了事件类型层次约束编码（ETHCE）模块，在两个粒度上整合事件类型语义：在关系层面，层次距离感知的原型对比目标将类型先验注入关系建模，并提升语义相关关系的分离度；在实体层面，头实体和尾实体被显式连接到对齐的事件类型实体，形成语义路径，增强参与同类事件的实体之间的信息传播。

第二，如何有效利用与事实相关的静态事件背景语义。静态背景语义将相对稳定的实体属性和历史积累的 事件相关上下文属性总结为与时间无关的表示。相应地，ES-TKGR引入了静态知识图谱编码（SKGE）模块。该模块通过对增强的TKG进行静态化和去重来构建一个全局静态知识图谱，并通过显式链接将静态事件背景语义与该图对齐。在生成的背景语义增强图上，使用RGCN学习静态实体表示，同时通过参与每个关系的实体的平均池化进一步归纳出静态关系表示，从而实现对实体和关系表示中背景语义信息的注入。

第三，如何有效地将两类事件语义整合到最终的实体和关系表示中。在ES-TKGR中，层次化事件类型语义被整合到增强的TKG中，ETHCE模块引导层次感知的动态特征学习。相比之下，静态事件背景语义被整合到静态化的全局图中，SKGE模块学习背景丰富的静态特征。最后，自适应融合模块将从原始TKG中导出的动态特征和静态特征组合成统一的实体和关系表示，用于未来时间戳的实体预测和关系预测。

本研究以三个主要目标为指导：
•构建并与TKG事实对齐的事件语义，使事实对齐的事件语义能够补充时序知识图谱表示学习；
•建模由事实对齐事件语义引起的隐含事实依赖和语义约束，从而增强实体、关系及其相互作用的语义表征；
•将层次感知的动态特征和背景丰富的静态特征整合为统一的实体和关系表示，用于未来实体和关系预测。

本工作的主要贡献总结如下。
•我们提出了ES-TKGR，一个事件语义增强的TKGR框架，系统地将在事件数据中事实对齐的事件语义纳入时序推理。ES-TKGR构建与时序事实对齐的结构化语义图，并将其用作表示学习的互补信号。
•我们设计了两个语义增强模块ETHCE和SKGE，用于建模事件语义的不同方面。ETHCE基于CAMEO分类体系引入层次化事件类型约束，增强关系层面的语义区分能力；而SKGE从选定的ICEWS字段构建背景语义图，为实体兼容性建模提供稳定的上下文信号。
•我们引入了自适应融合机制，将动态时序表示和静态语义表示整合用于未来事实预测。在四个ICEWS衍生数据集上的实验结果和消融分析表明，系统性地整合层次化类型语义和背景语义字段可以提升TKGR性能，并为事件语义增强的时序推理提供了实证依据。

**片段**

**传统知识图谱嵌入**

知识图谱嵌入（KGE）研究如何将知识图谱中的实体和关系表示为连续空间中的稠密向量，从而使符号知识更容易被数据驱动模型利用（Peng et al., 2023）。通过此类向量化表示，对结构化知识的下游计算和推理变得更加可行（Peng et al., 2023）。该领域的现有研究通常在两种设定下讨论，即留传推理和

**问题定义**

**定义1 时序知识图谱（TKG）**

时序知识图谱（TKG）可以定义为与不同时间戳关联的一组知识图谱序列，即$G_T = \{G_1, G_2, \ldots, G_t, \ldots\}$。时间戳$t$处的知识图谱快照表示为$G_t = (V, R, E_t)$，其中$V$和$R$分别是实体集合和关系集合，$E_t$是时间戳$t$处的事实集合。四元组事实$(s, r, o, t) \in E_t$表示在时间戳$t$时，关系$r$存在于主体实体$s$和客体实体$o$之间，其中$s, o \in V$且$r \in R$。同时，逆四元组事实$(o, r^{-1}, s,$

**方法**

本节介绍ES-TKGR，一个构建并整合相关事件语义的时序知识图谱推理模型。整体框架如图1所示。该模型由三个核心组件组成：ETHCE模块、SKGE模块和自适应融合模块。具体而言，ETHCE模块利用事件类型的层次结构，通过层次距离感知的原型对比目标为关系建模引入可复用的类型先验，(a) 问题设定和数据需求。本工作研究事件语义增强下的TKGR。不同于仅依赖TKG内部四元组的设定，事实对齐事件语义的有效性取决于一个关键前提：每个TKG事实必须准确地与其对应的事件语义字段对齐。这种对齐确保了层次化事件类型语义和背景语义能够可靠地引入后续的 结构建模和推理中。

为满足这一要求，我们构建

**SKG中背景组件的分析与鲁棒性**

为检验用于构建SKG的不同背景组件的效果，我们在ICEWS-21-30d-01上进行对比实验。各设置采用相同的增强策略：背景属性实体通过显式边连接到对应的TKG实体，所有模型在相同配置下训练。图8报告了来自不同背景语义的代表性候选字段在实体预测和关系预测上的MRR结果。

**启示**

理论启示：本工作将时序知识图谱推理的视角从仅建模时序结构和历史交互扩展至联合建模时序演化事实和事实对齐事件语义。研究表明层次化事件类型语义和静态背景语义在TKGR中扮演不同但互补的角色：前者主要增强关系区分能力，后者主要强化实体兼容性和上下文

**局限性与未来工作**

尽管ES-TKGR展示了将事实对齐事件语义信息纳入TKGR的有效性，但仍存在一些局限性。首先，当前框架依赖于事件数据库元数据和事实对齐的辅助字段，包括CAMEO事件编码和ICEWS背景字段。这些信号并非完全独立的知识来源，其可用性和完整性影响语义增强的效果。其次，ES-TKGR目前更适合

**结论**

本文提出了ES-TKGR，一个事件语义增强的时序知识图谱推理模型。ES-TKGR通过三个关键创新整合相关事件语义以增强TKG建模和推理：(1) ETHCE模块通过构建类型感知的语义结构并引入层次距离感知的原型对比目标来注入层次化事件类型语义；(2) SKGE模块通过

**CRediT作者贡献声明**

李泰隆：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。段宜林：写作 – 审阅与编辑，可视化，形式分析。梁浚：写作 – 审阅与编辑，指导。

Qingfeng Guan（管青峰）：撰写——审阅与编辑、监督、资源、项目管理、资金获取。

致谢

本研究得到了中国教育部基础学科与交叉学科计划（JYB2025XDXM911）的支持。

Tailong Li（李泰龙）| Yilin Duan（段怡林）| Xun Liang（梁浚）| Qingfeng Guan（管青峰）