计算机科学>人工智能
标题: 用于时态知识图推理的自适应路径记忆网络
摘要: 时态知识图(TKG)推理旨在根据历史信息预测未来的缺失事实,近年来得到了越来越多的研究兴趣。 为推理任务建立历史结构和时间特征模型已经做了大量工作。 现有的大多数工作主要依赖实体表示来建模图形结构。 然而,TKG实体在现实场景中的规模是相当大的,随着时间的推移,会出现越来越多的新实体。因此,我们提出了一种具有TKG关系特征的新型体系结构建模,即DAptivE路径-移动网络(DaeMon), 它自适应地对查询主题和每个候选对象之间跨历史时间的时间路径信息进行建模。 它对历史信息建模,而不依赖实体表示。 具体来说,考虑到相邻时间戳之间的内存传递策略,DaeMon使用路径内存跨时间轴记录从路径聚合单元导出的时间路径信息。 在四个真实的TKG数据集上进行的大量实验表明,我们提出的模型在MRR方面取得了显著的性能改进,超过了最先进的4.8%绝对值。