面向时态建模的知识图谱链接预测方法研究.pdf

面向时态建模的知识图谱链接预测方法研究

摘要

近年来，计算机技术和人工智能的进步正在不断颠覆着人们的生活方式。随着自然

语言处理技术的突破，知识图谱的重要性日益凸显。时态知识图谱不仅存储了实体和事

实，还囊括了时间维度，能够跟踪实体属性和关系随时间的演变。时态知识图谱链接预

测模型通过分析过去的事件，识别模式和趋势，预测未来可能发生的关系，极大地增强

了问答系统、推荐系统以及趋势分析等应用的能力。虽然，静态知识图谱链接预测方法

已经达到了较高的水平，但关于时态知识图谱链接预测的研究起步较晚，仍面临诸多挑

战，如时间依赖性处理不足、知识图谱结构信息获取不完整和多源信息融合不充分等问

题。

针对上述问题，本文在时态知识图谱图结构信息获取以及时间信息处理等方面展开

研究，主要的研究内容如下：（1）针对时态知识图谱时间依赖性处理不足的问题，提出

了递进表示图卷积演化网络预测模型PRGCN，在整个时态知识图谱时间序列上利用图

卷积神经网络和循环神经网络对实体和关系的嵌入进行递进表示建模，充分利用了时态

知识图谱中的时间序列信息来进行链接预测。（2）针对时态知识图谱图结构信息获取不

完整以及多源历史时间信息融合不充分的问题，提出了全局时态图注意力演化网络预测

模型GT-GAEN，使用图注意力网络聚合邻居节点信息，同时通过关联相同实体构建了

全局时间知识图，并引入了周期性时间向量和非周期性时间向量对该全局时间图进行依

赖建模，充分利用了跨时间戳下的历史事实来进行链接预测。

在五个公开的事件数据集上，PRGCN模型和GT-GAEN模型采用平均倒数排名

MRR和命中率Hits@K作为模型性能评价指标，分别与相应的基线模型进行对比实验

及消融实验，实验结果验证了本文所提出的两个模型在时态知识图谱链接预测任务上有

着良好的性能。

关键词：时态知识图谱；链接预测；序列建模；全局信息；注意力机制

面向时态建模的知识图谱链接预测方法研究

Abstract

Inrecentyears,advancementsincomputertechnologyandartificialintelligenceare

continuouslyrevolutionizingthewaypeoplelive.Withbreakthroughsinnaturallanguage

processing,theimportanceofknowledgegraphshasincreasinglycometotheforefront.

Temporalknowledgegraphsnotonlystoreentitiesandfactsbutalsoencompassatime

dimension,enablingthetrackingoftheevolutionofentityattributesandrelationshipsover

time.Temporalknowledgegraphlinkpredictionmodels,byanalyzingpasteventsand

identifyingpatternsandtrends,canpredictfuturerelationships,significantlyenhancingthe

capabilitiesofquestion-answeringsystems,recommendationsystems,andtrendanalysis

applications.Althoughstaticknowledgegraphlinkpredictionmethodshavereachedahigh

levelofperformance,researchontemporalknowledgegraphlinkp