基于历史学习和关系注意力的时序知识图谱推理
Reasoning about Temporal Knowledge Graphs Based on History Learning and Relational Attention作者机构:武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统湖北重点实验室湖北武汉430065
出 版 物:《计算机技术与发展》 (Computer Technology and Development)
年 卷 期:2024年第34卷第7期
页 面:161-167页
学科分类:08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划(2022YFC3300800) 湖北省教育厅科学研究计划指导项目(B2019009)
主 题:知识图谱 时序推理 多层感知机 复制模式 注意力机制
摘 要:时序知识图谱在传统静态知识图谱上进一步引入了时间维度,由此引出时序知识图谱推理任务,旨在推理未来事件或缺失事实的实体或关系。针对大多数时序知识图谱推理模型存在没有充分利用历史事实和关系关联分析的问题,该文提出一种基于历史学习和关系注意力的时序知识图谱推理方法(简称HLRA)。为了充分利用历史事实,使用多层感知机学习历史事实中的时间戳权重,并结合复制模式的思想,编码出具备时间权重的历史语义偏移向量,在此基础上关联查询信息得到历史学习评分。另一方面,使用自注意力机制分析关系间的关联,将计算出的关系间注意力分数作为影响因子,并将之加权到实体预测中得到关系注意力的得分。最终,通过结合两个分数以获得综合的置信分数。在ICEWS18、ICEWS14、YAGO和GDELT等数据集上的实验结果表明,HLRA模型在MRR、Hits@1、Hits@3和Hits@10等评价指标上较次优模型获得1%至4%的提升,有效提升了时序图谱推理的能力,是一种效果更好的模型。