Logic and Commonsense-Guided Temporal Knowledge Graph Completion

要約

テンポラル ナレッジ グラフ (TKG) には、時間を伴うデータから派生したイベントが保存されます。
イベントは時間に敏感な性質があるため、イベントを予測することは非常に困難です。
さらに、以前の TKG 補完 (TKGC) アプローチでは、イベントの適時性と因果関係の両方の特性を同時に表現することはできません。
これらの課題に対処するために、我々は、イベントの適時性と因果関係を含む時間依存の表現と、常識の観点からのイベントの時間に依存しない表現を共同で学習するための論理および常識誘導埋め込みモデル (LCGE) を提案します。
具体的には、時間的ルール学習アルゴリズムを設計し、イベント間の因果関係を学習するためのルールに基づく述語埋め込み正則化戦略を構築します。
さらに、補助的な常識知識を介してイベントの妥当性を正確に評価できます。
TKGC タスクの実験結果は、既存のアプローチと比較して、私たちのモデルのパフォーマンスが大幅に向上していることを示しています。
さらに興味深いことに、私たちのモデルは、因果推論の観点から予測結果の説明可能性を提供できます。
この論文のソース コードとデータセットは https://github.com/ngl567/LCGE で入手できます。

要約(オリジナル)

A temporal knowledge graph (TKG) stores the events derived from the data involving time. Predicting events is extremely challenging due to the time-sensitive property of events. Besides, the previous TKG completion (TKGC) approaches cannot represent both the timeliness and the causality properties of events, simultaneously. To address these challenges, we propose a Logic and Commonsense-Guided Embedding model (LCGE) to jointly learn the time-sensitive representation involving timeliness and causality of events, together with the time-independent representation of events from the perspective of commonsense. Specifically, we design a temporal rule learning algorithm to construct a rule-guided predicate embedding regularization strategy for learning the causality among events. Furthermore, we could accurately evaluate the plausibility of events via auxiliary commonsense knowledge. The experimental results of TKGC task illustrate the significant performance improvements of our model compared with the existing approaches. More interestingly, our model is able to provide the explainability of the predicted results in the view of causal inference. The source code and datasets of this paper are available at https://github.com/ngl567/LCGE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google