《IEEE Transactions on Big Data》：Dual2: Temporal Knowledge Graph Interpolation via Static-Dynamic and Semantic-Periodic Integration
编辑推荐：
时序知识图谱（Temporal Knowledge Graphs，TKGs）通过引入动态时间属性扩展了静态知识表示，为时空大数据挖掘提供新视角。尽管具备时间建模能力，TKGs仍存在不完全性，需有效插值（interpolation）方法推断缺失事实。现有方法通常
时序知识图谱（Temporal Knowledge Graphs，TKGs）通过引入动态时间属性扩展了静态知识表示，为时空大数据挖掘提供新视角。尽管具备时间建模能力，TKGs仍存在不完全性，需有效插值（interpolation）方法推断缺失事实。现有方法通常将所有事实视为时变，并侧重在嵌入空间中进行几何操作，忽视了持久性、时不变关系，且未充分利用时间信息的层次结构。针对这些局限，研究人员提出 Dual2，一种简洁而有效的TKG插值框架，显式融合静态与动态知识并引入多粒度时间信息。该方法通过联合建模日历派生的语义信息与位置感知的周期模式，捕捉绝对时间上下文与相对时间规律，全面学习目标演化模式。在三个基准数据集上的实验表明，Dual2达到最优性能，平均倒数排名（Mean Reciprocal Rank，MRR）提升8.26%，Hits@1提升12.11%，验证了在TKG插值中解耦静态-动态建模的重要性。
研究背景与问题动机：知识图谱（Knowledge Graph，KG）以（主体，关系，客体）三元组表示现实知识，支撑问答、推荐与大模型预训练。但静态表示难以刻画持续演化的关系，因此引入带时间戳四元组（主体，关系，客体，时间戳）的时序知识图谱（Temporal Knowledge Graph，TKG）。TKG（时序知识图谱）仍存在缺失，需通过插值（interpolation，在已知时间戳内推断缺失实体）完成链接预测。现有插值方法多把所有实体与关系当作时变，依赖平移、旋转、张量分解或卷积网络建模时间依赖，存在两个核心缺陷：一是忽略静态-动态对偶性，即将持久关系（如长期军事同盟）误当作时变事实；二是把时间仅视为顺序编号，丢失日历语义与周期位置等多粒度信息。
研究人员开展的工作与结论：研究人员提出 Dual2 框架，显式解耦静态不变特征与动态演化特征，并将时间拆解为日历派生语义嵌入与位置感知周期嵌入，通过时间注意力与自门控机制自适应融合。在 ICEWS14、ICEWS05-15 与 GDELT 三个事件型基准上，Dual2 相较前沿方法平均 MRR（平均倒数排名）提升 8.26%、Hits@1 提升 12.11%，证明静态-动态解耦与多粒度时间建模对TKG插值具有关键作用。
主要关键技术方法：研究人员构建双分支结构。时间表示上，将时间戳解析为年/月/周/日四个粒度，分别生成语义时间嵌入 ts 与周期时间嵌入 tp，经跨注意力得到语义与周期权重；事实表示上，将实体与关系拆为静态嵌入（sst、rst）与动态初始嵌入（sdy、rdy），动态分支在复数空间以时间参数化旋转建模演化，再通过可学习自门控权重 β 融合静态与动态表征。训练目标由交叉熵主损失、N3正则（L3范数张量正则）与邻居时间戳语义平滑正则共同组成，样本来自上述三个公开事件数据集。
研究结果：
静态与动态表示消融：移除动态分支导致 MRR 与 Hits@1 大幅下降（GDELT上尤为明显），说明TKG本质高度动态；移除静态分支也带来可见退化，表明时不变事实仍需显式保留。
语义与周期时间表示消融：周期嵌入贡献显著大于纯日历语义标签，细粒度“日”层级平均提升 MRR 4.48%；年/月/周/日多粒度协同最优，验证时间层次结构价值。
特征融合机制消融：关闭自门控（w/o-SDAtt）或时间注意力（w/o-TAtt）均明显跌点，证明自适应权重能按事实特性在持久关系与暂态事件间动态取舍。
损失组件消融：N3正则与 temporal regularization（时间正则）共同稳定嵌入学习，前者约束张量稀疏性，后者仅对语义时间嵌入施以相邻时间戳平滑。
讨论与结论翻译：讨论指出，经验上单纯静态或单纯动态二分都会损害泛化，Dual2 的自门控避免了人工设定归属。结论部分可归纳为：研究人员证实，TKG插值应同时建模时间不变事实与演化事实，并把时间从序数索引提升为多粒度语义-周期联合信号；Dual2 以简洁结构在三个基准上取得最优，说明静态-动态解耦加日历语义与位置周期融合是时序知识表示的有效范式，对未来事件预测与时空知识服务具有推广意义。
这篇解读已完成，接下来可以选择一个方向继续深化：
