融合跨时间共性特征的时序知识图谱推理模型

摘要

时序知识图谱推理用于预测未出现在时序知识图谱中的事件信息，在推荐系统、问答系统和医疗等场景下取得了重要的应用。时序知识图谱中实体相关背景知识的缺失，限制了推理技术的发展。现有的推理方法依赖于外部图谱，却很少关注图谱自身所隐含的背景信息。为了充分挖掘图谱隐含的背景信息，通过抽取跨时间共性的特征刻画实体背景，提出了一种融合了跨时间共性特征的时序知识图谱推理模型(temporal knowledge graph reasoning model incorporating cross-time commonality features, TR-CTC)。TR-CTC利用图神经网络模型，从多跳路径中抽取跨时间共性特征作为实体的背景信息；融入到时序知识图谱表示学习过程中，提升推理性能。实验结果表明，TR-CTC在链接预测任务中普遍优于基准模型。

关键词

时序知识图谱 / 图神经网络 / 链接预测 / 跨时间共性 / 知识图谱推理