时序知识图谱表示与推理的研究进展与趋势

知识图谱作为近年来人工智能领域的一大热点研究方向, 已应用于现实中多个领域. 但是随着知识图谱应 用场景日益多样化, 人们逐渐发现不随着时间改变而更新的静态知识图谱不能完全适应知识高频更新的场景. 为 此, 研究者们提出时序知识图谱的概念, 一种包含时间信息的知识图谱. 对现有所有时序知识图谱表示与推理模型 进行整理, 并归纳和建立一个表示与推理模型理论框架. 然后基于此对当前时序表示推理研究进展进行简要介绍 分析和未来趋势预测, 以期望帮助研究者开发设计出更为优异的模型.知识图谱的概念自 2012 年正式提出之后, 相关研究迅速成为热点研究, 并且通过几年发展, 知识图谱成为继 自然语言处理之后人工智能领域的又一新兴研究方向[1,2] . 最初的知识图谱是 Google 为了改善搜索引擎, 提高搜索效率而提出的, 主要服务于搜索引擎中的智能问答. 但是随着多年的技术创新和应用场景的扩展, 知识图谱逐渐 成为一种可以支撑多种领域应用、高效储存信息的数据形式. 知识图谱的规模越来越大, 能储存的知识越来越广 泛, 逐步出现了各种领域知识图谱, 诸如: 通用知识图谱、医疗知识图谱、政务知识图谱等. 为更多的人工智能应 用提供底层数据服务, 如: 推荐系统[3]、智能问答[4]等. 随着知识图谱逐步成为一个全新的研究方向, 针对其研究的划分越来越清晰, 研究内容越来越全面, 包含了知 识抽取、图谱构建、知识表示、知识融合、知识推理、图谱补全、质量评估等[5,6] . 但是, 随着知识图谱的应用越 来越广泛, 传统的静态知识图谱已经不能满足人们的需求[7] , 缺少的动态变化是限制其的重要因素之一, 因此, 时 序知识图谱的概念和相关研究就应运而生[8] , 逐渐成为学界研究的热点. 而以时序知识图谱为核心的相关研究与 应用受到工业界和学术界的广泛关注[9] . 时序知识图谱在 2016 年才被提出[9] , 相关研究还不足 10 年, 但是其与知识图谱紧密相关, 所以在研究初期就 参考知识图谱有了详细的细分方向研究, 如: 时序知识抽取[10]、时序知识表示、时序知识推理等[1,9] . 其中, 时序知 识表示和推理是最为核心和关键的研究方向, 也是发展至今研究进度最快的方向, 有较多的研究成果产出. 时序知 识表示和推理, 在整个时序知识图谱研究中是最为重要的, 是一切其他研究的基础, 表示推理效果好坏在很大程度 上决定其他方向的研究和时序图谱的应用效果. 因此, 本文针对现有的时序知识图谱表示与推理的研究进展和未 来趋势进行介绍和分析, 以期望为后来的研究者提供参考, 帮助新关注此领域的研究者们更快地了解当前时序知 识图谱的研究动态. 同时, 本文根据现有的所有表示推理模型, 归纳构建了一个时序知识图谱表示与推理模型理论框架, 并以此来 介绍对比现有模型, 帮助后来的研究者更好地开发设计新的、更优秀的表示推理模型. 最后, 本文也结合当前的发展现状, 与实际面临的问题挑战, 提出了几个未来较为可行的时序图谱表示推理研 究方向, 以期望为研究者提供一些灵感.