【SIGIR2021】基于嵌入的增量式时序知识图谱补全框架

时序知识图谱推理是信息检索和语义搜索的关键任务。当TKG频繁更新时，这是特别具有挑战性的。该模型必须适应TKG的变化，以便进行有效的训练和推理，同时保持其对历史知识的表现。最近的工作通过增加一个时间感知编码函数来实现TKG补全(TKGC)。然而，使用这些方法在每个时间步骤中直接微调模型并不能解决以下问题:1)灾难性遗忘;2)模型不能识别事实的变化(例如，政治派别的变化和婚姻的结束);3)缺乏训练效率。为了解决这些挑战，我们提出了时间感知增量嵌入(TIE)框架，该框架结合了TKG表示学习、经验回放和时间正则化。我们引入一组度量标准来描述模型的不妥协性，并提出一个约束，将删除的事实与负面标签相关联。在Wikidata12k和YAGO11k数据集上的实验结果表明，本文提出的TIE框架减少了大约10倍的训练时间，并在提出的指标上有所改进。对于任何传统的度量方法，它都不会造成性能上的重大损失。广泛的消融研究揭示了不同评估指标之间的性能权衡，这对于真实世界的TKG应用的决策是至关重要的。