TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs

要約

静的なナレッジ グラフと比較して、時間の経過に伴う情報の進化と変化を捉えることができる時間的ナレッジ グラフ (tKG) は、より現実的かつ一般的です。
しかし、時間の概念がルールの学習に導入する複雑さのため、正確なグラフ推論、たとえばエンティティ間の新しいリンクの予測は依然として困難な問題です。
この論文では、時間論理ルール学習のための微分可能なフレームワークである TILP を提案します。
制約付きランダム ウォーク メカニズムを設計し、時間演算子を導入することで、モデルの効率を確保します。
tKG でモデリングされた時間的特徴 (例: 再発、時間的順序、関係のペア間の間隔、期間) を提示し、それを学習プロセスに組み込みます。
2 つのベンチマーク データセットで TILP を最先端の手法と比較します。
私たちが提案するフレームワークが、解釈可能な結果を​​提供しながら、ベースライン手法のパフォーマンスを向上させることができることを示します。
特に、トレーニング サンプルが限られており、データに偏りがあり、トレーニングと推論の間の時間範囲が異なるさまざまなシナリオを考慮します。
これらすべてのケースにおいて、TILP は最先端の方法よりもはるかにうまく機能します。

要約(オリジナル)

Compared with static knowledge graphs, temporal knowledge graphs (tKG), which can capture the evolution and change of information over time, are more realistic and general. However, due to the complexity that the notion of time introduces to the learning of the rules, an accurate graph reasoning, e.g., predicting new links between entities, is still a difficult problem. In this paper, we propose TILP, a differentiable framework for temporal logical rules learning. By designing a constrained random walk mechanism and the introduction of temporal operators, we ensure the efficiency of our model. We present temporal features modeling in tKG, e.g., recurrence, temporal order, interval between pair of relations, and duration, and incorporate it into our learning process. We compare TILP with state-of-the-art methods on two benchmark datasets. We show that our proposed framework can improve upon the performance of baseline methods while providing interpretable results. In particular, we consider various scenarios in which training samples are limited, data is biased, and the time range between training and inference are different. In all these cases, TILP works much better than the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google