VIP内容

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。

成为VIP会员查看完整内容
0
37
Top