Resumen: El gráfico de conocimiento temporal (TKG) es un método eficiente para describir el desarrollo dinámico de hechos a lo largo de una línea de tiempo. La mayoría de la investigación sobre el razonamiento de TKG (TKGR) se centra en modelar la repetición de hechos globales y diseñar patrones de hechos históricos locales. Sin embargo, enfrentan dos desafíos significativos: modelado inadecuado del cambio de distribución de eventos entre el entrenamiento y las muestras de prueba, y la dependencia de la sustitución de la entidad aleatoria para generar muestras negativas, lo que a menudo resulta en un muestreo de baja calidad. Con este fin, proponemos un nuevo enfoque de modelado de características de distribución para capacitar a los modelos TKGR, modelado de cambio de distribución guiado por el tiempo de prueba (T3DM), para ajustar el modelo en función del cambio de distribución y garantizar la consistencia global del razonamiento del modelo. Además, diseñamos una estrategia de muestreo negativo para generar cuadruplas negativas de mayor calidad basadas en el entrenamiento adversario. Extensos experimentos muestran que T3DM proporciona resultados mejores y más robustos que las líneas de base de última generación en la mayoría de los casos.
Publicado Originalme en export.arxiv.org El 2 de julio de 2025.
Ver Fuente Original
