【ICLR2020-Facebook AI】张量分解的时序知识图谱补全

关系数据中的表示学习和链接预测算法大多是针对静态数据设计的。然而，它们所应用的数据通常会随着时间的推移而变化，比如社交网络中的朋友图，或者推荐系统中的用户与条目的交互。这也是知识库的情况，其中包含的事实，如(美国，有总统，B.奥巴马，[2009-2017])，只是在特定的时间点有效。对于时间约束下的链路预测问题，即，回答诸如(US, has president， ?， 2012)之类的问题时，我们提出了一个受4阶张量的正则分解启发的解决方案。我们引入了新的正则化方案，并提出了一个复杂的扩展(Trouillon et al.， 2016)，实现了最先进的性能。此外，我们还提出了一个新的Wikidata构建的知识库完成数据集，比以前的基准要大一个数量级，作为评估时间和非时间链接预测方法的新参考。