TEILP: Time Prediction over Knowledge Graphs via Logical Reasoning

要約

従来の埋め込みベースのモデルは、テンポラル ナレッジ グラフ (TKG) におけるイベント時間の予測をランキング問題としてアプローチします。
ただし、順序や距離などの重要な時間的関係を捉えるには不十分なことがよくあります。
この論文では、このような時間的要素をナレッジ グラフ予測に自然に統合する論理推論フレームワークである TEILP を提案します。
まず、TKG を時間イベント知識グラフ (TEKG) に変換します。TEKG は、グラフのノードに関して時間をより明示的に表現します。
TEKG により、時間予測に対する微分可能なランダム ウォーク アプローチを開発できるようになります。
最後に、クエリ間隔に関係する論理ルールに関連付けられた条件付き確率密度関数を導入し、これを使用して時間予測に到達します。
5 つのベンチマーク データセットで TEILP と最先端の手法を比較します。
解釈可能な説明を提供しながら、モデルがベースラインを超えて大幅な改善を達成していることを示します。
特に、トレーニング サンプルが限られており、イベント タイプの不均衡があり、過去のイベントのみに基づいて将来のイベントの時刻を予測することが望ましいいくつかのシナリオを検討します。
これらすべてのケースにおいて、TEILP は堅牢性の点で最先端の手法を上回っています。

要約(オリジナル)

Conventional embedding-based models approach event time prediction in temporal knowledge graphs (TKGs) as a ranking problem. However, they often fall short in capturing essential temporal relationships such as order and distance. In this paper, we propose TEILP, a logical reasoning framework that naturaly integrates such temporal elements into knowledge graph predictions. We first convert TKGs into a temporal event knowledge graph (TEKG) which has a more explicit representation of time in term of nodes of the graph. The TEKG equips us to develop a differentiable random walk approach to time prediction. Finally, we introduce conditional probability density functions, associated with the logical rules involving the query interval, using which we arrive at the time prediction. We compare TEILP with state-of-the-art methods on five benchmark datasets. We show that our model achieves a significant improvement over baselines while providing interpretable explanations. In particular, we consider several scenarios where training samples are limited, event types are imbalanced, and forecasting the time of future events based on only past events is desired. In all these cases, TEILP outperforms state-of-the-art methods in terms of robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google