基于 Transformer 的学习时间知识图的演化事件链推理
内容提要
本文介绍了多种基于图卷积网络和时间知识图谱的模型，旨在提升时序推理的性能与效率。研究涵盖递归演化网络、卷积神经网络和时间元学习框架，均在处理历史信息和预测未来演化模式方面取得显著进展。
延伸解读
模型演进脉络
文章按时间顺序梳理了时序知识图谱推理的多个模型，从2017年的CEHis到2024年的CoH，展现了该领域从早期置信度估计到近期结合大语言模型的发展轨迹。RE-GCN、CEN、MetaTKG等模型分别针对历史事实建模、演化模式预测和元学习适应等不同挑战，反映了研究重点的变迁。
技术路线差异
各模型采用的技术路线多样：RE-GCN基于递归演化网络，CEN结合卷积神经网络与在线学习，MetaTKG引入时间元学习，EvoKG联合建模事件时间与网络结构，LCGE融入逻辑与常识指导，TiPNN利用统一图结构捕捉历史信息。这些差异体现了对时序推理中结构依赖、时间动态和外部知识等不同方面的侧重。
性能与效率并重
多个模型在提升推理性能的同时强调效率。RE-GCN在六个基准数据集上显著提高性能和效率；EvoKG实验证明效果和效率均优于现有方法；深度进化知识网络在两个大规模数据集上性能显著改进。这表明时序推理研究不仅追求准确性，也关注实际应用中的计算效率。
可解释性与置信度
部分研究关注模型的可解释性和预测可靠性。LCGE通过规则引导建立谓词嵌入标准化策略，提高事件预测准确率并具备可解释性；CEHis使现有TKG推理模型能够估计预测置信度，避免低置信度预测。这些工作有助于提升模型在关键应用中的可信度。
Q&A
什么是基于递归演化网络的图卷积网络 (RE-GCN) 模型？
RE-GCN 模型用于有效模拟序列的历史事实，捕捉时序模式，显著提高时间推理任务的性能和效率。
MetaTKG 框架的主要功能是什么？
MetaTKG 框架通过元学习指导模型适应未来数据，解决时序知识图谱中不同演化模式数据的挑战，显著提高性能。
EvoKG 方法如何改进事件时间和演化网络的建模？
EvoKG 方法联合建模事件时间和演化网络结构，采用循环事件建模和基于时间邻域聚合框架，效果和效率优于现有方法。
历史置信度估计器 (CEHis) 的作用是什么？
CEHis 使 TKG 推理模型能够估计预测置信度，从而避免低置信度的预测，提高预测的可靠性。
深度进化知识网络的优势是什么？
深度进化知识网络在动态知识图中学习非线性演变的实体表示，显著提升了性能，尤其在多关系推理中表现优异。
CoH 方法解决了基于 LLM 的时态知识图预测模型的哪些缺点？
CoH 方法有效利用高阶历史信息，增强了基于图模型的 TKG 预测性能，解决了现有模型的不足。
