知识图谱|最近三年知识图谱在动态以及时间预测与补全上必读的6篇论文（收藏一下）

2020 年 1 月 14 日 AINLP

导读：

随着互联网的发展，网络数据内容呈现爆炸式增长的态势。由于互联网内容的大规模、异质多元、组织结构松散的特点，给人们有效获取信息和知识提出了挑战。知识图谱（Knowledge Graph) 以其强大的语义处理能力和开放组织能力，为互联网时代的知识化组织和智能应用奠定了基础。最近，大规模知识图谱库的研究和应用在学术界和工业界引起了足够的注意力。随着人工智能的技术发展和应用，知识图谱作为关键技术之一，已被广泛应用于智能搜索、智能问答、个性化推荐、内容分发等领域。本文介绍6篇动态知识图谱相关内容，如果你对其中的内容感兴趣，欢迎加入最后提到的学术讨论群中~

Recurrent Event Network: Global Structure Inference over Temporal Knowledge Graph

随着异构事件数据的快速增长，对动态演化多关系图数据进行建模已经引起了人们的关注。但是，要预测此类数据的未来事件，需要进行全局结构推断，并且需要具有综合时间和结构信息的能力。我们提出了递归事件网络（RE-Net），这是一种新颖的自回归体系结构，用于对多关系图（例如，时间知识图）的时间序列进行建模，可以对未来的时间戳执行顺序的全局结构推断，以预测新事件。RE-Net使用循环事件编码器为事件序列建模时间条件联合概率分布，并为事件编码器配备邻域聚合器，以对与每个实体相关的时间窗口内的并发事件建模。我们将教师强迫应用于历史数据的模型训练，并通过从学习的联合分布中按顺序采样来推断未来时间戳的图形序列。我们通过对五个公共数据集的时间链接预测来评估所提出的方法。大量的实验证明了RE-Net的优势，尤其是对未来时间戳的多步推断。

论文：https://arxiv.org/abs/1904.05530
代码：https://github.com/INK-USC/re-net
来自：ICLR-RLGM, 2019

Learning Sequence Encoders for Temporal Knowledge Graph Completion

知识图中的链接预测研究主要集中在静态的多关系数据上。在这项工作中，我们考虑时间知识图，其中实体之间的关系可能仅在一个时间间隔或特定时间点保持。与先前关于静态知识图的工作相一致，我们建议通过学习潜在实体和关系类型表示来解决此问题。为了合并时间信息，我们利用递归神经网络学习关系类型的时间感知表示，可以将其与现有的潜在分解方法结合使用。结果表明，所提出的方法对于现实世界中的KG的常见挑战具有鲁棒性：时间表达的稀疏性和异质性。

论文：https://arxiv.org/abs/1809.03202
来自：EMNLP 2018

Towards Time-Aware Knowledge Graph Completion

知识图（KG）的完成通过从现有事实进行推断而将新事实添加到KG。大多数现有方法会忽略时间信息，而只能从时间未知的事实三元组中学习。在随时间变化的动态环境中，知识图完成模型考虑到事实的时间方面是重要且具有挑战性的。在本文中，我们提出了一种新颖的时间感知知识图完成模型，该模型能够使用现有事实和事实的时间信息来预测KG中的链接。为了整合事实的发生时间，我们提出了一个利用事实之间的时间顺序信息的时间感知的KG嵌入模型。为了结合有效时间，我们提出了一个基于整数线性规划（ILP）的联合时间感知推理模型。我们还集成了两个模型以充分利用全局时间信息。我们根据时间感知的KG完成任务评估我们的模型。实验结果表明，我们的时间感知模型始终如一地实现了关于时间事实的最新技术。

论文：https://www.aclweb.org/anthology/C16-1161/
来自：COLING 2016

Deriving Validity Time in Knowledge Graph

知识图（KGs）是一种在Web上表示知识的流行方法，通常以节点/边缘标记的有向图的形式表示。我们考虑时间KG，其中时间间隔进一步注释了边缘，反映了实体之间的关系何时保持及时。在本文中，我们专注于预测未注释边缘的时间有效性的任务。我们将问题介绍为关系嵌入的一种变体。我们采用现有方法，并探讨了重要示例的选择以及在学习过程中辅助信息的纳入。

论文：https://dl.acm.org/doi/10.1145/3184558.3191639
来自：WWW Workshop 2018

HyTE: Hyperplane-based Temporally aware Knowledge Graph Embedding

KG中的关系事实通常会显示时间动态，例如，事实（Cristiano_Ronaldo，playsFor，Manchester_United）仅在2003年至2009年有效。现有的大多数KG嵌入方法在学习KG元素的嵌入时都会忽略此时间维度。在本文中，我们提出了HyTE，这是一种时间感知的KG嵌入方法，该方法通过将每个时间戳与相应的超平面相关联，将时间明确地合并到实体关系空间中。HyTE不仅使用时间指导来执行KG推理，而且还可以预测缺少时间注释的关系事实的时间范围。通过对从现实世界中的KG提取的时间数据集进行广泛的实验，我们证明了我们的模型相对于传统KG和时态KG嵌入方法的有效性。

论文：https://www.aclweb.org/anthology/D18-1225/
来自：EMNLP18

Predicting the Co-Evolution of Event and Knowledge Graphs

知识图通常被视为静态的：当更多事实变为可用时，知识图会增加链接，但是与链接关联的基本事实值被认为是时不变的。在本文中，我们解决了时间知识图的问题。我们假设知识图的变化总是以事件的形式到达，从某种意义上说，事件是通往知识图的用户。我们训练了一个事件预测模型，该模型使用知识图背景信息和最近事件的信息。通过预测未来的事件，我们还可以预测知识图中的可能变化，从而也可以获得知识图演化的模型。我们的实验表明，我们的方法在临床应用，推荐引擎和传感器网络应用中表现良好。

论文：https://arxiv.org/abs/1512.06900
来自：FUSION 2016

本文转载在公众号：深度学习与PyTorch，作者AIGraph

推荐阅读

AINLP年度阅读收藏清单

CCF BDCI新闻情感分类初赛A榜4/2735，复赛1%题解报告

征稿启示| 让更多的NLPer看到你的文章

AINLP-DBC GPU 云服务器租用平台建立，价格足够便宜

我们建了一个免费的知识星球：AINLP芝麻街，欢迎来玩，期待一个高质量的NLP问答社区

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP君微信(id：AINLP2)，备注工作/研究方向+加群目的。