Time-series knowledge graph completion method combining local-global historica pattern and historical knowledge frequency

Jia Kai ^a，b† ， Wang Yangpinga，b， Yang Jingyu ^a，b ， Zhang Xiquan ^a，b （aSchoolofcoicamp;fioingolValilExpetalcgCtefilsitamp;Control，LanzhouJiaotongUniversity，Lanzhou73oo7O，China）

Abstract：TKGsare dynamicrepresentations of evolvingfacts，and theircompletion task involvespredicting futureunkown factsbasedonhistoricaldata.Thekeyliesinunderstanding historicaldata.However，existingmodelshavelimitationsincapturingthefeaturesofhistoricaleventsandcannotaccuratelyextractusefulinformationfromtimestamps.Fromtheperspective of historical evolution，consideringthesequence，frequency，andperiodicpaternsofhistorical factscomprehensivelysbeneficialfor predicting future facts.Therefore，thispaper proposeda temporal knowledgegraphcompletion algorithm（LGHHKF）thatintegratedlocal-globalhistoricalpaternsandhistoricalknowledgefrequency.Specificall，itfrstlyusedalocale current graph encoder network to modelthe intrinsicassciationsand dynamic evolutionof eventsatadjacent timestamps. Then，ituseda global historicalencodernetworktoconsiderallrelevantfactsatprevious timestampstoavoidlosingntitiesor relationsthatdidn'tappearatadjacenttimestamps.Next，itlearedthefrequencyscoresof thesefactsthroughahistorical knowledge frequencylearning module toenrich the model’sprediction basis.Finally，afterbalancing between thetwo encoders，itusedaperiodicdecodertoperforminferenceandcompletion.Thepaperusedfourbenchmark datasets to evaluate theproposedmethod，andtheexperimentalresultsprovethatLGH-HKFishighlycompetitivecomparedtoothercurrentmodels in most cases.

Key words：temporal knowledge graph；completionalgorithm;local cyclic graph encoder；global history encoder；frequency of historical knowledge

0 引言

知识图谱补全技术对现在热门的辅助搜索、推荐系统、问答系统等领域都有重大的意义，只有当知识足够完善，下游任务的准确率才能得到进一步的提升[1]。在这方面，已经有很多研究集中在静态知识图谱的补全上，被表示为三元组（头实体，关系，尾实体）的形式，如（马云，创立，阿里巴巴）。面对现实中数据的动态变化特性，时序知识图谱则引入时间维度[2]被拓展为四元组（头实体，关系，尾实体，时间），如（达芬奇，创作，蒙娜丽莎，1507年）。为了对未来的事实进行准确的预测，深人理解历史发展规律并广泛搜集历史事实显得尤为重要。历史数据往往蕴涵着重复或周期性的模式，这些模式为预测提供了坚实的依据[3]。同时，人类认知中相邻时间戳的历史事实具有顺序模式，进而捕捉事件的演化轨迹[4]。例如，预测查询（足球世界杯，冠军，？，2002年），结果推断出一系列与查询相关的历史相邻事实和全局事实。在相关的全局事实中，世界杯在2002年前一共有8个国家获得冠军，其中巴西获得5次，意大利获得3次。如果同时考虑局部和全局事实，示例查询的预测结果范围将被缩小到巴西和意大利。此外，经研究发现，在2002年前，巴西是唯一一个没有缺席世界杯的球队，每隔四年进入四强，同时考虑周期性和其他两种历史模式，预测结果更有可能是巴西，事实确实如此。因此，捕捉不同的历史模式可以限制最终预测结果的范围，提高预测精度。

近年来，时序知识图谱补全主要分为插值和外推两种设置。……