SSTKG: 简单时空知识图谱的解释性和多功能动态信息嵌入
内容提要
该文综述时空知识图谱嵌入与预测研究，涵盖STComplEx、STCQA用于时空问答，STKET提升视频场景图，GenTKG实现生成式预测，ATiSE、GeomE/TGeomE改进链接预测，以及UUKG数据集支持城市时空预测，推动了知识增强的时空建模与预测精度。
延伸解读
时空知识图谱嵌入的技术演进
文章梳理了从2019年到2024年时空知识图谱嵌入方法的演进脉络。早期ATiSE通过加性时间序列分解将时间信息融入KG嵌入，GeomE/TGeomE利用几何代数和张量分解处理时序数据。随后STComplEx、STKET等模型分别针对问答和视频场景图任务进行优化，而GenTKG则引入大语言模型实现生成式预测，体现了从静态嵌入到动态生成、从单一任务到多场景适配的发展趋势。
知识增强对城市时空预测的价值
文章提到UUKG数据集和基于移动轨迹、POI类别等信息的城市知识图谱模型，表明将空间-时间知识嵌入到预测任务中能提升远期移动预测的精确度。实验结果显示，POI类别作为背景知识和辅助信息有助于提高预测精度，这为城市计算中融合多源知识提供了实证支持，也说明知识图谱在智慧城市应用中具有实际潜力。
生成式预测与可解释性的平衡
GenTKG框架结合检索增强生成和时间逻辑规则，利用大语言模型进行生成性预测，开辟了新方向。同时，基于关系注意力机制和反向表示更新的链接预测框架通过构建查询相关子图，提升了预测的解释性和推荐准确率。这表明在追求预测精度的同时，研究者也在关注模型的可解释性，而生成式方法如何保持可解释性仍是值得关注的挑战。
Q&A
STKG嵌入方法STComplEx在STCQA模型中起什么作用？
STComplEx是一种新的STKG嵌入方法，用于从问题中提取时空信息，使STCQA模型能更好地理解问题并从STKG中检索准确答案。
STKET模型如何提升视频场景图生成？
STKET将空间-时间知识嵌入到多头交叉注意力机制中，用于生成视频场景图并预测语义标签及其关系，实验表明其mR@50在不同设置下提升了8.1%、4.7%和2.1%。
GenTKG框架如何实现时间知识图上的生成性预测？
GenTKG结合了时间逻辑规则检索策略和轻量级参数效率指导，用于在时间知识图上进行生成性预测，证实了大语言模型在该领域的潜力。
ATiSE方法如何将时间信息融入知识图谱嵌入？
ATiSE通过加性时间序列分解将时间信息嵌入到实体/关系表示中，与KG嵌入模型结合，在四个时间KG上表现出优秀的链接预测性能。
GeomE和TGeomE方法在知识图谱表示学习中有何创新？
GeomE和TGeomE使用几何代数和张量分解，解决深度学习中的时序数据问题，在四个静态KG和四个时间KG数据集上实现了最先进的性能。
UUKG数据集是什么？它如何支持城市时空预测？
UUKG是用于知识增强的城市时空预测的统一城市知识图谱数据集，通过构建UrbanKGs并分析高阶结构模式，实现知识增强，并展示了知识增强模型与城市知识图谱嵌入方法的潜在联系。
