時序知識圖譜作為知識圖譜的一個分支，用于刻畫具有時間戳特征的事實，彌補傳統(tǒng)靜態(tài)知識圖譜無法描述真實世界中的實體和關(guān)系動態(tài)性的不足。近日，我中心大數(shù)據(jù)部提出了一種基于時序歷史子圖的時序知識圖譜推理方法，通過將時間信息融入構(gòu)建的統(tǒng)一圖中，對歷史的時序子圖序列進行相對時間特征的整體建模，以對未來時刻的事實進行表征預(yù)測。實驗結(jié)果表明該模型在直推設(shè)置性能上取得優(yōu)異的性能，同時支持歸納式推理，并能為推理提供進一步可解釋性推理依據(jù)。

該研究成果已被人工智能領(lǐng)域的期刊Artificial Intelligence（AIJ，CCF A類）接受。論文第一作者為大數(shù)據(jù)部博士研究生董昊，導(dǎo)師為周園春研究員。

該研究工作得到國家自然科學(xué)基金重點項目等支持。

相關(guān)成果：

Hao Dong, Pengyang Wang, Meng Xiao, Zhiyuan Ning, Pengfei Wang, Yuanchun Zhou. "Temporal Inductive Path Neural Network for Temporal Knowledge Graph Reasoning." Artificial Intelligence. 2024.

論文鏈接：https://doi.org/10.1016/j.artint.2024.104085

責(zé)任編輯：郎楊琴