基于卷积神经网络的时序知识图谱补全研究

摘要

知识图谱通常由三元组头尾实体及关系组成,通过将大量三元组组织成图的形式,知识图谱可以展示实体间的复杂关系网络,这些关系可以是直接或间接的关联。传统的知识图谱中实体和关系之间的连接通常是静态的,缺乏对动态关系的建模能力,而时序知识图谱则是在三元组的基础之上增加了时间戳这一维度,能够更好地捕捉实体和关系的时序依赖性,从而支持时序推理,使得知识图谱的表达更加贴近于真实世界。但是通常包含时间信息的数据集中存在大量缺失数据,导致包含时间戳在内的四元组完整性下降,知识图谱下游应用如问答系统、推荐系统等将会受到直接影响。因此,本文提出了基于静态知识图谱嵌入模型ConvE的面向时序知识图谱补全的张量分解模型Conv-ATG (Convolutional Attention Temporal Graph),具体来说,ConvE主要针对静态知识图嵌入,基于ConvE引入了对于时间信息的表示并增加自注意力机制提高模型性能。在2个主流大规模数据集ICEWS、WIKIDATA上进行实验,实验结果表明Conv-ATG模型的性能优于现有的大多数推理方法,说明了本模型的有效性。