BIT_mk的博客

提出基于关系交互的块分解来完成时序知识图谱的补全。块分解可以看做是CP分解和Tucker分解一个变形。TBDRI以一种增强的方式学习逆联系，以加强正向联系和逆关系的结合。另外TBDRI使用了核心张量作为时间信息来更充分的绑定时间戳。

主要简要介绍了一下CP分解与Tucker分解的基本概念。

利用语义属性来进行时序知识图谱的补全。

大多数现有的TKGC方法将时间信息合并到三元组中，并将它们转换为KGC任务，这并没有充分利用时间信息对三元组的影响。此外，现有的基于消息传递网络的嵌入学习方法将具有相同注意力的邻居传递的特征进行聚合，忽略了每个节点在消息传递过程中具有不同重要性的复杂结构信息。因此，设计了一种基于时间属性感知的TKGC方法（TAL-TKGC），其中包括一个时间注意模块和一个重要性加权GCN。时间注意模块用于捕捉语义层次上的时间戳、实体和关系之间的深层联系。同时，在重要性加权GCN中，将时间信息的结构重要性和对实体的关注度作为