Resumen: Los gráficos de conocimiento (KG) se han convertido en un paradigma efectivo para manejar los hechos del mundo real, que no solo son complejos sino que también evolucionan dinámicamente con el tiempo. La validez temporal de los hechos a menudo sirve como una fuerte pista en las tareas de predicción de enlaces aguas abajo, que predice un elemento faltante en un hecho. Las técnicas de predicción de enlaces tradicionales en KG temporales consideran una secuencia de instantáneas temporales de KG con un intervalo de tiempo definido ad-hoc o expandir un hecho temporal durante su período de validez bajo una granularidad de tiempo predefinido; Estos enfoques no solo sufren la sensibilidad de la selección del intervalo de tiempo/granularidad, sino que también enfrentan los desafíos computacionales al manejar hechos con validez larga (incluso infinita). Aunque los recientes KG hiper-relacionales representan la validez temporal de un hecho como calificadores que describen el hecho, todavía es subóptima debido a su ignorancia de la validez infinita de algunos hechos y la información insuficiente codificada de los calificadores sobre la validez temporal. En este contexto, proponemos Vita, un $ subline {V} $ ersatile t $ subrain {i} $ me representa $ subrayline {ta} $ tion Método de aprendizaje para gráficos de conocimiento hiper-relacional temporal. Primero proponemos una representación de tiempo versátil que puede acomodar de manera flexible los cuatro tipos de validez temporal de los hechos (es decir, ya que, hasta el período, invariante del tiempo), y luego diseñar Vita para aprender de manera efectiva la información de tiempo en ambos aspectos del valor de tiempo y el pasto de tiempo para aumentar el rendimiento de la predicción del enlace. Realizamos una evaluación exhaustiva de Vita en comparación con una colección considerable de líneas de base en conjuntos de datos KG del mundo real. Los resultados muestran que Vita supera a las líneas de base de mejor rendimiento en varias tareas de predicción de enlaces (prediciendo entidades faltantes, relaciones, tiempo y otros literales numéricos) en hasta un 75.3%. Los estudios de ablación y un estudio de caso también respaldan nuestras opciones de diseño clave.
Publicado Originalme en rss.arxiv.org El 19 de mayo de 2025.
Ver Fuente Original
