A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects

要約

このことは、学術界と産業界の両方において、時間知識グラフ（TKG）が極めて重要な役割を担っていることを強調している。しかし、TKGはしばしば不完全性に悩まされる。その主な理由は、新しい知識の継続的な出現、非構造化データから構造化情報を抽出するアルゴリズムの弱さ、ソースデータセット内の情報不足の3つである。そのため、利用可能な情報に基づいて欠落項目を予測することを目的とした、時間的知識グラフ補完（TKGC）のタスクが注目を集めている。本稿では、TKGCの手法とその詳細について包括的なレビューを行う。具体的には、1)TKGC手法の予備知識、学習に必要な損失関数、データセットと評価プロトコルをカバーする背景、2)関連する利用可能な情報によって欠落要素または要素集合を推定・予測する補間、の3つから構成される。さらに、時間情報をどのように処理するかに基づいて、関連するTKGC手法を分類する。3)外挿法は、一般的に連続的なTKGに焦点を当て、将来の事象を予測するもので、利用するアルゴリズムに基づいてすべての外挿法を分類する。さらに、TKGCの課題を指摘し、今後の研究の方向性について議論する。

要約(オリジナル)

Temporal characteristics are prominently evident in a substantial volume of knowledge, which underscores the pivotal role of Temporal Knowledge Graphs (TKGs) in both academia and industry. However, TKGs often suffer from incompleteness for three main reasons: the continuous emergence of new knowledge, the weakness of the algorithm for extracting structured information from unstructured data, and the lack of information in the source dataset. Thus, the task of Temporal Knowledge Graph Completion (TKGC) has attracted increasing attention, aiming to predict missing items based on the available information. In this paper, we provide a comprehensive review of TKGC methods and their details. Specifically, this paper mainly consists of three components, namely, 1)Background, which covers the preliminaries of TKGC methods, loss functions required for training, as well as the dataset and evaluation protocol; 2)Interpolation, that estimates and predicts the missing elements or set of elements through the relevant available information. It further categorizes related TKGC methods based on how to process temporal information; 3)Extrapolation, which typically focuses on continuous TKGs and predicts future events, and then classifies all extrapolation methods based on the algorithms they utilize. We further pinpoint the challenges and discuss future research directions of TKGC.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL