摘要
时间因素与现实应用中的事实增长密切相关，例如疾病的发展和政治局势的变化，因此，关于时态知识图谱（Temporal Knowledge Graph, TKG）的研究受到了广泛关注。在时态知识图谱中，需要研究具有时间性的关系模式，以便在表示学习和跨时间事实推理中进行建模。然而，现有的方法很难对时态关系模式进行建模，也无法捕捉关系随时间演变的内在联系，缺乏可解释性。本文提出了一种新颖的时态建模方法，该方法将时态实体表示为四元数向量空间中的旋转（Rotations in Quaternion Vector Space, RotateQVS），并将关系表示为哈密顿四元数空间中的复向量。我们证明了该方法可以建模时态知识图谱中关键的关系模式，如对称性、非对称性和逆关系，并且可以通过理论进一步捕捉随时间演变的关系。实验结果表明，我们的方法可以在四个时态知识图谱基准数据集上显著提升链接预测任务的性能。