引言
随着人工智能时代的到来，互联网中的数据规模也随之爆发式增长，这些大量的数据中往往包含很多有价值的信息，而知识图谱［1］作为一种新的组织和存储海量数据的技术，受到越来越多的关注。知识图谱早期主要用于搜索结果优化，随后在系统推荐［2］、智能问答［3］、知识搜索［4］等领域发挥了重要作用。知识图谱通常是静态的，以其当前状态存储事实。知识图谱以三元组的形式表示事实:(s：r：o)，然而，现有知识图谱大都采用半自动化结合人工的方式构建，具有不完整性［5］。并且在现实中，实体之间的关系经常随着时间而变化，即知识具有时效性。为此，时序知识图谱被引入［6］，时序知识图谱将时间事实表示为四元组：(s;r;o;t)，即通过扩展时间为t的静态三元组，描述此事实在时间为t时有效。时序知识图谱可以不断提供和完善时间维度的知识，更具有研究价值。
近年来，尽管静态知识图谱补全技术取得了显著进展，如基于翻译的模型（如TransE［7］）、基于图神经网络的方法（如RE-GCN［8］）等，但这些方法大多忽视了时间维度对于关系动态变化的深刻影响。为应对这一挑战，时序知识图谱补全（Temporal Knowledge Graph Completion, TKGC）应运而生，旨在结合时间序列分析与深度学习技术，挖掘时序模式，捕捉动态关系的演化规律。现有的时序知识图谱补全模型大多数是TransE和DistMult的扩展，例如TTransE［9］、TA-DisMult［10］、ChronoR［11］等，因此不能完全表达如今的某些关系模式。最新的模型还存在计算资源的分配问题。
本文提出一种新的时序知识图谱补全模型YiTX，该模型创新性地融合了时间旋转嵌入与混合注意力机制，旨在更精准地建模实体间随时间变化的关系，并有效预测图谱中缺失的实体与关系。混合注意力机制在聚合信息上的优势和注意力权重的分配，在面对数据的多样性和复杂性时，仍能实现高效学习和快速推理。通过在四个公开时序数据集上的广泛实验，验证了所提模型在链接预测任务上的优越性能。本研究不仅为时序知识图谱的补全提供了一种新的视角，也为智能信息处理、文本挖掘和信息抽取技术的发展提供了新思路，进而促进知识图谱在推荐系统、智能问答、事件预测等领域的广泛应用。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006195
作者信息：
王璐璐
(大连大学信息工程学院，辽宁大连116000)
