إكمال الرسم البياني للمعرفة الزمنية باستخدام نظام العدواني الزمني الخطي و Embeddings Multival

تم تصميم نهج التعلم التمثيلية لرسوم البيانية المعرفة في الغالب للبيانات الثابتة.ومع ذلك، فإن العديد من الرسوم البيانية المعرفة تنطوي على بيانات متطورة، على سبيل المثال، الحقيقة (رئيس الولايات المتحدة هي باراك أوباما) صالحة فقط من عام 2009 إلى عام 2017. وهذا يدخل تحديات مهمة لتعلم تمثيل المعرفة منذ تغيير الرسوم البيانية المعرفة مع الوقت.في هذه الورقة، نقدم نهج Graph Knowled Knowled Knowledge Pharmbdding المدرسي، الذي ينفذ عامل تخصيص رقمي للترتيب الرابع من الرسم البياني المعرفي الزمني باستخدام نظام العدواني الزمني الخطي و Emgeddings Multivector.علاوة على ذلك، فإننا نحقق في تأثير الحبيبات الزمنية وقت البيانات الزمني على إكمال الرسم البياني للمعرفة الزمنية.توضح النتائج التجريبية أن نماذجنا المقترحة مدربة مع العظمية الزمنية الخطية تحقق من الأداء الحديثة بشأن التنبؤ بالربط على أربعة معايير إكمال الرسم البياني المعرفة الزمني الراسخة.

Representation learning approaches for knowledge graphs have been mostly designed for static data. However, many knowledge graphs involve evolving data, e.g., the fact (The President of the United States is Barack Obama) is valid only from 2009 to 2017. This introduces important challenges for knowledge representation learning since the knowledge graphs change over time. In this paper, we present a novel time-aware knowledge graph embebdding approach, TeLM, which performs 4th-order tensor factorization of a Temporal knowledge graph using a Linear temporal regularizer and Multivector embeddings. Moreover, we investigate the effect of the temporal dataset's time granularity on temporal knowledge graph completion. Experimental results demonstrate that our proposed models trained with the linear temporal regularizer achieve the state-of-the-art performances on link prediction over four well-established temporal knowledge graph completion benchmarks.