计算机应用研究

作者：贾凯,王阳萍,杨景玉,张希权,

单位：兰州交通大学a.电子与信息工程学院;b.轨道交通信息与控制国家级虚拟仿真实验教学中心,兰州730070；

关键词：时序知识图谱,补全算法,局部循环图编码器,全局历史编码器,历史知识频率,

基金：国家自然科学基金资助项目(62067006,62367005)；甘肃省知识产权计划资助项目(21ZSCQ013)；2024中央引导地方科技发展资金资助项目(332140068864)；甘肃省高校科研创新平台重大培育项目(2024CXPT-17)；甘肃省教育科技创新项目(2021jyjbgs-05)；；

时序知识图谱（temporal knowledge graphs，TKGs）是动态描述事实演变的图谱，其补全任务是根据历史预测未来未知的事实，关键在于洞察历史数据。然而，现有模型在捕捉历史事件的特征方面存在局限，不能准确地从时间戳中提取有用信息。从历史演进的视角出发，综合考虑历史事实的顺序、频率和周期性模式有利于预测未来事实。为此，提出了融合局部-全局历史模式与历史知识频率的时序知识图谱补全算法（LGH-HKF）。具体来说，首先使用一个局部循环图编码器网络来建模相邻时间戳上事件的内在关联与动态演变；其次使用全局历史编码器网络考虑所有以前时间戳上的相关事实，以避免丢失在相邻时间戳上没有出现的实体或关系；然后通过历史知识频率学习模块学习这些事实的频率分数来丰富模型的预测依据；最后在两个编码器之间进行权衡后，由一个具有周期性的解码器进行推理补全。使用了四个基准数据集来评估所提方法，实验结果证明LGH-HKF在大多数情况下相比于目前其他模型有很强的竞争力。

来源：2025年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第6期