探索历史信息在时间知识图外推中的极限
摘要：事件预测研究中，时间知识图被认为是一种有前景的方法，可以表示实体之间的动态关系和相互作用。然而，大多数时间知识图推理方法的局限性在于它们过分依赖事件的重复性或周期性，这给推断与缺乏历史互动的实体相关的未来事件带来了挑战。事实上，当前的状态通常是历史信息和不直接可观察的潜在因素的结合结果。为此，我们研究了历史信息在时间知识图推导中的局限性，并提出了一种新的事件预测模型，称为对比事件网络（CENET），该模型基于一种新颖的历史对比学习训练框架。CENET同时学习了历史和非历史的依赖关系，以区分最符合给定查询的最有潜力的实体。同时，通过进行对比学习，它训练了查询的表示，以探索当前时刻是更依赖于历史事件还是非历史事件。这些表示进一步有助于训练一个二进制分类器，其输出是一个布尔掩码，指示在搜索空间中相关的实体。在推断过程中，CENET采用基于掩码的策略生成最终结果。我们在五个基准图上评估了我们的模型。结果表明，CENET在大多数指标上明显优于所有现有方法，在事件数据集上相对于之前最先进的基准模型的Hits@1至少提升了8.3\%。
作者：Yi Xu, Junjie Ou, Hui Xu, Luoyi Fu, Lei Zhou, Xinbing Wang, Chenghu Zhou
论文ID：2308.15002
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-30