Recurrent Event Network: Autoregressive Structure Inference overTemporal Knowledge Graphs

原创

已于 2023-04-01 19:11:00 修改 · 822 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#知识图谱

于 2023-03-31 18:19:53 首次发布

文章提出了递归事件网络（RE-NET），一种用于时间知识图谱（TKG）中未来事件预测的自回归架构。RE-NET利用RNN编码器处理过去事件，通过邻域聚合器建模同一时间窗口内的并发事件。该模型旨在捕捉时间信息和局部图结构，用于外推设置下的TKG推理，预测未来时间戳上的事件。

[1904.05530] Recurrent Event Network: Autoregressive Structure Inference over Temporal Knowledge Graphs (arxiv.org)

摘要

作者提出递归事件网络（RE-NET），用于预测未来交互的新的自回归体系结构。事实的发生被建模为以过去知识图的时间序列为条件的概率分布。RE-NET使用RNN Encoder对过去的事实进行编码，使用邻域Aggregator对相同时间的事实链接进行建模。基于这两个模块以顺序的方式推断出未来事实。

1 Introduction

1.KG存储了现实世界的事实，但大多不完整，因此要研究预测事实，但大多数推理研究集中于静态知识图谱，然而一个事实不可能永远是真的，引入时间t很重要，即TKG。

2.TKG推理主要有插值和外推两种方式。在插值设置中，预测时间t的新事实，使得t0≤t≤tT。相反，外推法推理，专注于在大于tT（即t>tT）的时间戳t上预测新的事实（例如，看不见的事件）。外推设置对TKG推理特别感兴趣，因为它有助于在未来的时间戳上填充知识图，并有助于预测新出现的事件。

3.解决外推法TKG推理问题的Know Evolve和其扩展DyRep假设在推理时给出先前事件的基本事实，来预测未来事件。所以如果没有先前事件的基本事实，这些方法无法在未来时间戳上顺序预测事件。但它们并没有对同一时间窗口（例如，一天或12小时）内发生的并发事件进行建模因此，希望有一种原则性的方法，该方法可以通过将时间窗口内的并发事件建模为局部图来推断未来时间戳上的图结构。

RE-NET的关键思想基于：（1）