論文の概要: Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning
- arxiv url: http://arxiv.org/abs/2405.10621v1
- Date: Fri, 17 May 2024 08:33:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 16:32:42.335813
- Title: Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning
- Title（参考訳）: 時間的知識グラフ推論のための歴史的イベント構造化
- Authors: Jinchuan Zhang, Bei Hui, Chong Mu, Ming Sun, Ling Tian,
- Abstract要約: 時間的知識グラフ(TKG)推論は、タイムライン上に配布されたスナップショット内の履歴情報を通じてイベントを予測することに焦点を当てる。
textbfHistorally textbfRelevant textbfEvents textbfStructuring(mathsfHisRES$)に対する革新的なTKG推論手法を提案する。
- 参考スコア（独自算出の注目度）: 5.510391547468202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal Knowledge Graph (TKG) reasoning focuses on predicting events through historical information within snapshots distributed on a timeline. Existing studies mainly concentrate on two perspectives of leveraging the history of TKGs, including capturing evolution of each recent snapshot or correlations among global historical facts. Despite the achieved significant accomplishments, these models still fall short of (1) investigating the influences of multi-granularity interactions across recent snapshots and (2) harnessing the expressive semantics of significant links accorded with queries throughout the entire history, especially events exerting a profound impact on the future. These inadequacies restrict representation ability to reflect historical dependencies and future trends thoroughly. To overcome these drawbacks, we propose an innovative TKG reasoning approach towards \textbf{His}torically \textbf{R}elevant \textbf{E}vents \textbf{S}tructuring ($\mathsf{HisRES}$). Concretely, $\mathsf{HisRES}$ comprises two distinctive modules excelling in structuring historically relevant events within TKGs, including a multi-granularity evolutionary encoder that captures structural and temporal dependencies of the most recent snapshots, and a global relevance encoder that concentrates on crucial correlations among events relevant to queries from the entire history. Furthermore, $\mathsf{HisRES}$ incorporates a self-gating mechanism for adaptively merging multi-granularity recent and historically relevant structuring representations. Extensive experiments on four event-based benchmarks demonstrate the state-of-the-art performance of $\mathsf{HisRES}$ and indicate the superiority and effectiveness of structuring historical relevance for TKG reasoning.
- Abstract（参考訳）: 時間的知識グラフ(TKG)推論は、タイムライン上に配布されたスナップショット内の履歴情報を通じてイベントを予測することに焦点を当てている。
現存する研究は主にTKGの歴史を活用するための2つの視点に焦点をあてており、その中には最近のスナップショットの進化や、世界的歴史的事実間の相関が記録されている。
達成された大きな成果にもかかわらず、これらのモデルは(1)最近のスナップショットにおける多重粒度相互作用の影響を調査し、(2)歴史全体、特に将来に大きな影響を及ぼす出来事について、有意なリンクの表現的意味論を活用することには及ばない。
これらの不適切な状況は、歴史的依存関係と将来の傾向を徹底的に反映する表現能力を制限する。
これらの欠点を克服するために、革新的な TKG 推論手法を \textbf{His}torically \textbf{R}elevant \textbf{E}vents \textbf{S}tructuring$\mathsf{HisRES}$ に対して提案する。
具体的には、$\mathsf{HisRES}$は、最近のスナップショットの構造的および時間的依存関係をキャプチャする多粒度進化的エンコーダや、履歴全体からクエリに関連するイベント間の重要な相関に集中するグローバル関連エンコーダを含む、TKG内の歴史的イベントを構造化するのに優れた2つの特徴的なモジュールから構成される。
さらに$\mathsf{HisRES}$は、最近かつ歴史的に関連する構造表現を適応的にマージする自己ゲーティング機構を組み込んでいる。
4つのイベントベースベンチマークの大規模な実験は、$\mathsf{HisRES}$の最先端性能を示し、TKG推論の歴史的関連性を構築する上での優位性と有効性を示している。
関連論文リスト
- Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。
本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
論文 参考訳（メタデータ） (2024-06-04T16:42:17Z) - Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。
LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。
また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
論文 参考訳（メタデータ） (2023-12-04T08:23:09Z) - Local-Global History-aware Contrastive Learning for Temporal Knowledge
Graph Reasoning [25.497749629866757]
時間的知識グラフのためのブルーローカル・ブルーグロバル履歴対応ブルーコントラストブルーLモデル(ブルーLogCL)を提案する。
最初の課題として、LogCLは、ローカルおよびグローバルな歴史的事実エンコーダに適用されるエンティティ対応の注意機構を提案する。
後者の問題のために、LogCLは4つの歴史的クエリコントラストパターンを設計し、モデルの堅牢性を効果的に改善した。
論文 参考訳（メタデータ） (2023-12-04T03:27:01Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - Causal Triplet: An Open Challenge for Intervention-centric Causal
Representation Learning [98.78136504619539]
Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。
この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
論文 参考訳（メタデータ） (2023-01-12T17:43:38Z) - Logic and Commonsense-Guided Temporal Knowledge Graph Completion [9.868206060374991]
時間的知識グラフ(TKG)は、時間を含むデータから派生した事象を記憶する。
本稿では,時系列やイベントの因果性を含む時間依存表現を協調的に学習するためのLCGE(Logic and Commonsense-Guided Embedding Model)を提案する。
論文 参考訳（メタデータ） (2022-11-30T10:06:55Z) - Temporal Knowledge Graph Reasoning with Historical Contrastive Learning [24.492458924487863]
我々はContrastive Event Network(CENET)と呼ばれる新しいイベント予測モデルを提案する。
CENETは、ヒストリと非ヒストリの両方の依存関係を学び、与えられたクエリに最もよくマッチする最も潜在的なエンティティを識別する。
推論プロセスの間、CENETは最終的な結果を生成するためにマスクベースの戦略を採用している。
論文 参考訳（メタデータ） (2022-11-20T08:32:59Z) - Temporal Knowledge Graph Reasoning Based on Evolutional Representation
Learning [59.004025528223025]
将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。
TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。
グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
論文 参考訳（メタデータ） (2021-04-21T05:12:21Z) - SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。
本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
論文 参考訳（メタデータ） (2020-05-02T15:15:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。