靳 州，杨振舰

（天津城建大学 计算机与信息工程学院，天津 300384）

知识图谱（knowledge graph，KG）是结构化存储知识的知识库，通常采用三元组（头实体，关系，尾实体）的形式描述现实世界的事实，例如三元组（奥巴马，总统，美国），其中“奥巴马”表示头实体，“美国”表示尾实体，“总统”表示“奥巴马”和“美国”之间的关系.

然而，知识图谱是不完整的，需要基于已有事实进行补全和完善.受到表示学习的启发，研究人员提出知识表示学习（knowledge representation learning，KRL），将知识图谱映射到低维向量空间[1]，学习实体和关系的嵌入表示.知识表示学习缓解了数据稀疏性，实现了多源信息的融合，保留了知识图谱的结构信息.

Goel等人提出历时嵌入（diachronic embedding，DE），通过激活函数掩盖部分嵌入权重，学习时间实体嵌入[2].DE是方法无关的，可扩展到任意静态表示方法，且表现出先进的性能，本文围绕DE展开研究工作.针对上述问题，本文提出了一种关系感知的时间嵌入（relation-aware temproal embedding，RTE）.本文的主要贡献如下：

（1）本文提出一种关系感知的时间嵌入（relationaware temproal embedding，RTE），可扩展到任何静态表示学习方法.

（2）本文提出一种高效的融合机制，耦合静态特征和时间特征，并研究不同融合机制方案对RTE的影响.

（3）本文将RTE与DistMult和SimplE结合，提出RTE-DistMult和RTE-SimplE，在基准数据集上取得了先进的实验结果.

近年来，知识表示学习受到高度关注，研究人员提出各种表示学习方法、学习实体和关系的嵌入表示，并通过评分函数判定事实元组是否有效[3].本文将相关工作划分为静态表示学习方法和时间表示学习方法.

静态表……