Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction

要約

静的知識グラフ (KG) の少数ショット リレーショナル学習は近年大きな関心を集めていますが、時間的知識グラフ (TKG) の少数ショット学習はほとんど研究されていません。
KG と比較して、TKG には豊富な時間情報が含まれるため、モデリングには時間推論技術が必要です。
これは、時間的コンテキストにおける少数ショットの関係を学習する際に、より大きな課題を引き起こします。
この論文では、静的 KG での少数ショットのリレーショナル学習に焦点を当てた以前の研究に従い、2 つの基本的な TKG 推論タスク、つまり内挿および外挿リンク予測をワンショット設定に拡張します。
我々は 4 つの新しい大規模ベンチマーク データセットを提案し、TKG のワンショット関係を学習するための TKG 推論モデルを開発します。
実験結果は、私たちのモデルが両方の TKG リンク予測タスクのすべてのデータセットで優れたパフォーマンスを達成できることを示しています。

要約(オリジナル)

Few-shot relational learning for static knowledge graphs (KGs) has drawn greater interest in recent years, while few-shot learning for temporal knowledge graphs (TKGs) has hardly been studied. Compared to KGs, TKGs contain rich temporal information, thus requiring temporal reasoning techniques for modeling. This poses a greater challenge in learning few-shot relations in the temporal context. In this paper, we follow the previous work that focuses on few-shot relational learning on static KGs and extend two fundamental TKG reasoning tasks, i.e., interpolated and extrapolated link prediction, to the one-shot setting. We propose four new large-scale benchmark datasets and develop a TKG reasoning model for learning one-shot relations in TKGs. Experimental results show that our model can achieve superior performance on all datasets in both TKG link prediction tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google