Temporal Extrapolation and Knowledge Transfer for Lifelong Temporal Knowledge Graph Reasoning

摘要

现实世界中的时序知识图谱会随时间不断演化，新实体与新事实持续涌现，因此，需要一种能够面向未来时间进行外推，并将已有知识迁移至新组成部分的模型。基于此，本文首先研究了一个更具现实意义的问题——终身时序知识图谱推理，而现有方法通常只能应对其中部分挑战。具体而言，我们将终身时序知识图谱推理建模为一个基于时序路径的强化学习框架。随后，我们在强化学习的动作空间中引入时间位移，以实现对未来时间的外推，并进一步提出基于时序规则的奖励塑形机制，以指导模型训练。为实现知识迁移与更新，我们设计了一种新的边感知消息传递模块，其中，新实体和新边的嵌入以归纳方式生成。我们在三个新构建的终身时序知识图谱推理基准数据集上开展了广泛实验。实验结果表明，与所有经过适配的基线方法相比，所提出模型均表现出更优的有效性。

1 引言

知识图谱（Knowledge Graphs，KGs）旨在存储有关人类知识或客观世界的结构化事实，并将事实形式化表示为实体 eee（节点）及其之间的关系 rrr（边）。静态知识图谱（Static Knowledge Graphs，SKGs）和时序知识图谱（Temporal Knowledge Graphs，TKGs）是两种典型的知识图谱形式。SKG 以三元组(es​,r,eo​) 的形式存储事实，而 TKG 则将三元组扩展为四元组 (es,r,eo,t)(e_s,r,e_o,t)，其中，ttt 表示事实发生的时间。由于现实世界中的事件不断变化且与时间密切相关，TKG 在其整个生命周