基于全局知识图谱和历史矩阵的时序知识图谱推理模型

《Scientific Reports》：A temporal knowledge graph reasoning model based on global knowledge graph and historical matrix

　　

摘要

时序知识图谱推理（TKGR）的目标是根据历史时序知识图谱（TKGs）来推断四元组中缺失的组成部分。当前的一些TKGR模型能够充分捕捉历史TKGs中的局部信息，而另一些模型则利用历史矩阵来提取反复出现的历史事实。此外，部分模型考虑了反复出现的历史事实对TKGR任务的负面影响，还有一些模型提取了历史TKGs的全局信息。然而，这些模型都忽略了一个问题：大量历史TKGs在挖掘全局信息时可能会产生负面影响。本文构建了一个基于全局时序图和历史矩阵的TKG推理模型，简称TRGH模型。该模型构建了全局时序图，充分挖掘历史TKGs中的局部和全局信息，并构建历史矩阵为解码器提供全局约束，从而减少大量历史TKGs带来的负面影响。在三个公共数据集上进行了大量实验。实验结果表明，所提出的TRGH模型优于大多数先进模型，并证明其在全局信息提取过程中减轻若干历史TKGs不利影响方面的有效性。