【ACL2021】认知启发的时序知识图谱两阶段推理模型

CluSTeR：认知启发的时序知识图谱两阶段推理模型

Search from History and Reason for Future: Two-stage Reasoning on Temporal Knowledge Graphs

基于时序知识图谱的未来事件推理任务试图根据过去发生的事件来预测未来事件，可以为下游任务如消费意图挖掘、社会行为分析、金融分析、辅助决策和快速事件反应等提供技术支持，从而具有很强的研究价值。本文受到认知中决策双系统理论的启发，将未来事件推理分解成由直觉系统主导的线索搜索阶段和理性系统主导的时序推理阶段。在线索搜索阶段，模型使用基于随机束搜索的强化学习方法快速搜索历史，归纳导致事件发生的线索，得到直觉上的候选答案。在时序推理阶段，模型深入到第一阶段得到的线索中，按照线索发生时间重组线索并使用基于多关系图神经网络的序列模型进行时序演绎，从而得到精准答案。本文在三个实体推理数据集上取得了最好的效果，其中MRR最多提升7.1%。同时，模型推理过程中发现的显式线索也为模型推理结果提供了依据和可解释性。