【KDD2020】动态知识图谱的多事件预测

对于来自开源社会传感器的多种类型并发事件及其相关参与者进行建模是许多领域(如医疗保健、救灾和金融分析)的一项重要任务。预测未来的事件可以帮助人类分析师更好地理解全球社会动态，并做出快速而准确的决策。预期参与这些活动的参与者或参与者还可以帮助涉众更好地响应意外事件。然而，由于以下几个因素，实现这些目标是具有挑战性的:(i)难以从大规模输入中过滤出相关信息，(ii)输入数据通常为高维非结构化和Non-IID(非独立同分布)，(iii)相关的文本特征是动态的，随时间而变化。最近，图神经网络在学习复杂和关系数据方面表现出了优势。本文研究了一种基于异构数据融合的时间图学习方法，用于预测多类型并发事件并同时推断多个候选参与者。为了从历史数据中获取时间信息，我们提出了一种基于事件知识图的图学习框架Glean，它结合了关系和单词上下文。我们提出了一个上下文感知的嵌入融合模块来丰富事件参与者的隐藏特性。我们在多个真实数据集上进行了广泛的实验，结果表明，所提出的方法在社会事件预测方面与各种先进的方法相比具有竞争力，而且还提供了急需的解释能力。