摘要
大多数用于关系数据中表示学习与链接预测的算法都是为静态数据设计的。然而，这些算法所应用的数据通常随时间动态演化，例如社交网络中的好友关系图谱，或推荐系统中用户与物品之间的交互行为。知识库也面临类似情况，其中包含如（美国，拥有总统，B. 奥巴马，[2009–2017]）之类的事实，其有效性仅限于特定时间区间。针对存在时间约束的链接预测问题，即回答诸如（美国，拥有总统，？，2012）这类查询，我们提出了一种受四阶张量经典分解启发的解决方案。我们引入了新的正则化策略，并扩展了ComplEx（Trouillon 等，2016）模型，实现了当前最优的性能表现。此外，我们构建了一个基于Wikidata的新知识库补全数据集，其规模比以往基准数据集大一个数量级，可作为评估时间相关与非时间相关链接预测方法的全新基准参考。