Entlang der Zeit: zeitlich verfolgte Embedding für die Vollständigkeit zeitlicher Wissensgraphen

In den letzten Jahren wurden erhebliche Fortschritte bei Methoden zur Wissensgraphen-Embedding (Knowledge Graph Embedding, KGE) erzielt, um die Repräsentationen von Entitäten und Relationen in statischen Wissensgraphen (Static Knowledge Graphs, SKGs) zu lernen. Allerdings verändern sich Wissensinhalte im Laufe der Zeit. Um Fakten, die zu einem bestimmten Zeitpunkt stattfinden, angemessen darzustellen, wurden Ansätze für die Embedding von zeitlichen Wissensgraphen (Temporal Knowledge Graphs, TKGs) entwickelt. Während die meisten bestehenden Modelle die Unabhängigkeit von semantischer und zeitlicher Information vernachlässigen, stellen wir empirisch fest, dass aktuelle Modelle Schwierigkeiten haben, die Repräsentationen derselben Entität oder Relation zu verschiedenen Zeitpunkten zu unterscheiden. In diesem Zusammenhang schlagen wir eine Methode namens TimeLine-Traced Knowledge Graph Embedding (TLT-KGE) für die Vervollständigung zeitlicher Wissensgraphen vor. TLT-KGE zielt darauf ab, Entitäten und Relationen unter Berücksichtigung von Zeitstempeln als komplexen Vektor oder Quaternionenvektor zu embedden. Konkret modelliert TLT-KGE semantische und zeitliche Informationen als unterschiedliche Achsen des komplexen Zahlenraums oder des Quaternionenraums. Gleichzeitig werden zwei spezifische Komponenten entwickelt, die die Beziehung zwischen semantischer und zeitlicher Information gezielt abbilden und damit die Modellierung unterstützen. Auf diese Weise kann die vorgeschlagene Methode nicht nur die Unabhängigkeit der semantischen und zeitlichen Informationen klar unterscheiden, sondern gleichzeitig auch eine Verbindung zwischen ihnen herstellen. Experimentelle Ergebnisse im Rahmen der Link-Vorhersage-Aufgabe zeigen, dass TLT-KGE signifikante Verbesserungen gegenüber den derzeit besten Ansätzen erzielt. Der Quellcode wird unter https://github.com/zhangfw123/TLT-KGE verfügbar sein.