【AAAI2023】基于历史对比学习的时序知识图谱推理

时序知识图谱作为一种存储和建模动态关系的有效方法，在事件预测方面具有广阔的应用前景。然而，大多数时序知识图谱推理方法高度依赖事件的周期性或递归性，这给缺乏历史交互的实体推理相关的未来事件带来了挑战。事实上，当下往往是一小部分历史信息和那些未被观察到的潜在因素共同作用的结果。为此，本文提出一种新的事件预测模型——对比事件网络(CENET)，基于一种新的历史对比学习训练框架。CENET学习历史和非历史依赖关系，以区分最可能与给定查询匹配的最潜在实体。同时，它训练查询的表示，通过发起对比学习来调查当前时刻是更多地依赖于历史事件还是非历史事件。这些表示进一步帮助训练二进制分类器，其输出是布尔掩码，以指示搜索空间中的相关实体。在推理过程中，CENET使用基于掩码的策略来生成最终结果。我们在五个基准图上评估我们提出的模型。结果表明，CENET在大多数指标上明显优于所有现有方法，在基于事件的数据集上，与以前最先进的基线相比，Hits@1至少获得了8.3%的相对改进。

https://www.zhuanzhi.ai/paper/edd781b080735ed9025f425e7af54411