论文阅读笔记-Interpreting Temporal Knowledge Graph Reasoning (Student Abstract)(AAAI 2024)

Introduction

 时序知识图谱推理的目标是预测时间知识图（TKGs）上缺失的事实。例如给定一个特定的查询（s、r、？、t）或（？、r、o、t），我们希望根据一个时序知识图谱0到T的序列来预测缺失的实体。本文主要关注的是时序知识图谱推理外推情景。

现有方法局限性

 现有的研究主要集中于利用结构性和顺序性的依赖关系，擅长于实体和链接预测等任务。然而，他们在预测中面临着一个显著的可解释性差距，这是理解模型行为的一个关键方面。

LSGAT

 在本文提出了一种创新的方法LSGAT，该方法不仅在实体预测方面表现出显著的精度，而且通过识别注入事件预测的关键历史事件，提高了可解释性。LSGAT能够对预测结果进行简明的解释，为原本神秘的“黑盒”推理过程提供了有价值的见解。通过对最模糊事件的含义的探索，它有助于更深层次地理解控制预测的潜在机制。

Methodology