Le long du temps : intégration traçable dans le temps pour la complétion des graphes de connaissances temporels

Les dernières années ont vu des progrès remarquables dans les méthodes d’encodage des graphes de connaissances (KGE) visant à apprendre des représentations d’entités et de relations dans les graphes de connaissances statiques (SKG). Toutefois, les connaissances évoluent au fil du temps. Afin de représenter les faits survenus à une date précise, des approches d’encodage des graphes de connaissances temporels (TKG) ont été proposées. Toutefois, la plupart des modèles existants ignorent l’indépendance des informations sémantiques et temporelles. Nous avons empiriquement constaté que les modèles actuels peinent à distinguer les représentations d’une même entité ou relation à des instants différents. À cet égard, nous proposons une méthode d’encodage des graphes de connaissances temporels basée sur la traçabilité temporelle (TLT-KGE) pour la complétion des graphes de connaissances temporels. TLT-KGE vise à représenter les entités et les relations avec des horodatages sous forme de vecteur complexe ou de vecteur quaternion. Plus précisément, TLT-KGE modélise les informations sémantiques et temporelles comme des axes distincts dans l’espace des nombres complexes ou des quaternions. Par ailleurs, deux composants spécifiques sont conçus pour capturer la relation entre les informations sémantiques et temporelles, renforçant ainsi la modélisation. Ainsi, la méthode proposée permet non seulement de distinguer l’indépendance des informations sémantiques et temporelles, mais aussi d’établir un lien entre elles. Les résultats expérimentaux sur la tâche de prédiction de liens démontrent que TLT-KGE atteint des améliorations significatives par rapport aux méthodes de pointe. Le code source sera disponible à l’adresse suivante : https://github.com/zhangfw123/TLT-KGE.