摘要
补全缺失事实是时间知识图谱（Temporal Knowledge Graphs, TKGs）的基本任务。近年来，基于图神经网络（Graph Neural Networks, GNN）的方法因其能够同时探索拓扑和时间信息而成为补全TKGs的最先进（State-of-the-Art, SOTA）方法。然而，这些研究大多基于手工设计的架构，未能充分探索TKGs的多样拓扑和时间特性。为了解决这一问题，我们提出使用神经架构搜索（Neural Architecture Search, NAS）来设计针对特定数据的消息传递架构以完成TKGs的补全任务。具体而言，我们开发了一个通用框架，用于在TKGs中探索拓扑和时间信息。基于该框架，我们设计了一个富有表现力的搜索空间，以全面捕捉不同TKGs的各种属性。与此同时，我们采用了一种搜索算法，通过采样单路径训练超网结构，从而实现高效且成本较低的搜索。我们进一步在三个基准数据集上进行了广泛的实验。结果表明，我们的方法所搜索到的架构达到了SOTA性能。此外，所搜索到的模型还能隐式地揭示不同TKGs中的多样性特征。我们的代码已发布在https://github.com/striderdu/SPA。