Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning

要約

タイムスタンプ上に分散された履歴スナップショットに基づいて将来のイベントを予測するテンポラル ナレッジ グラフ (TKG) 推論は、外挿と呼ばれ、大きな注目を集めています。
TKG 推論は、その極度の多用途性と空間的および時間的相関の変化により、事実間の同時構造と進化的相互作用を効率的に捉えることが求められる、困難な課題を提示します。
既存の方法はこの方向に進歩してきましたが、複数のタイムスタンプにわたるエンティティの相関関係や時間情報の周期性を含む、TKG の固有の表現セマンティクスの多様な形式を活用するにはまだ至っていません。
この制限により、歴史的な依存関係や将来の傾向を完全に反映する能力が制限されます。
これらの欠点に対応して、この論文では、マルチグラフ構造の学習 (LMS) に焦点を当てた革新的な推論アプローチを提案します。
具体的には、タイムスタンプに沿った同時および進化パターン、タイムスタンプ間のクエリ固有の相関関係、タイムスタンプのセマンティック依存関係など、TKG 内のグラフ構造知識の複数の側面に焦点を当てた 3 つの異なるモジュールで構成されており、さまざまな観点から TKG の機能を捉えます。
さらに、LMS には、エンティティ表現をタイムスタンプに沿って、またタイムスタンプ間で効果的にマージするための適応ゲートが組み込まれています。
さらに、タイムスタンプ セマンティクスをグラフ アテンション計算および時間認識デコーダーに統合して、イベントに時間的制約を課し、履歴統計による予測範囲を絞り込みます。
5 つのイベントベースのベンチマーク データセットに関する広範な実験結果は、LMS が最先端の外挿モデルを上回るパフォーマンスを示し、TKG 推論のためのマルチグラフ視点のモデリングの優位性を示しています。

要約(オリジナル)

Temporal Knowledge Graph (TKG) reasoning that forecasts future events based on historical snapshots distributed over timestamps is denoted as extrapolation and has gained significant attention. Owing to its extreme versatility and variation in spatial and temporal correlations, TKG reasoning presents a challenging task, demanding efficient capture of concurrent structures and evolutional interactions among facts. While existing methods have made strides in this direction, they still fall short of harnessing the diverse forms of intrinsic expressive semantics of TKGs, which encompass entity correlations across multiple timestamps and periodicity of temporal information. This limitation constrains their ability to thoroughly reflect historical dependencies and future trends. In response to these drawbacks, this paper proposes an innovative reasoning approach that focuses on Learning Multi-graph Structure (LMS). Concretely, it comprises three distinct modules concentrating on multiple aspects of graph structure knowledge within TKGs, including concurrent and evolutional patterns along timestamps, query-specific correlations across timestamps, and semantic dependencies of timestamps, which capture TKG features from various perspectives. Besides, LMS incorporates an adaptive gate for merging entity representations both along and across timestamps effectively. Moreover, it integrates timestamp semantics into graph attention calculations and time-aware decoders, in order to impose temporal constraints on events and narrow down prediction scopes with historical statistics. Extensive experimental results on five event-based benchmark datasets demonstrate that LMS outperforms state-of-the-art extrapolation models, indicating the superiority of modeling a multi-graph perspective for TKG reasoning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google