计算机工程与应用 ›› 2023, Vol. 59 ›› Issue (17): 266-274.DOI: 10.3778/j.issn.1002-8331.2210-0266
许智宏,毛琛,王利琴,董永峰
XU Zhihong, MAO Chen, WANG Liqin, DONG Yongfeng
摘要: 针对现有时序知识图谱补全方法大多将时间信息内嵌于三元组中,依赖静态知识图谱补全方法学习实体特征,无法全面考虑图谱结构信息和时序信息的问题,提出一种融合关系感知与时间注意的时序知识图谱补全方法(incorporating relational awareness and temporal attention for temporal knowledge graph completion,RATA)。一方面,通过引入关系感知聚合机制的图卷积神经网络集成实体和关系特征,特定于关系的参数可以增强消息函数的表达能力,封装更加丰富的邻域上下文信息;另一方面,使用融合自注意力机制的长短期记忆网络学习蕴含在时序数据中的全局特征和局部特征。在ICEWS18、ICEWS14、YAGO和WIKI数据集上的实验结果表明,RATA模型在MRR、Hits@1、Hits@3和Hits@10上普遍优于基线模型,在大规模时序数据集上具有优势。