要約
時間的な要因は、疾患の進行や政治情勢の変化などの現実的な応用における事実の成長と密接に関連しています。そのため、時系列知識グラフ（Temporal Knowledge Graph: TKG）に関する研究が多くの注目を集めています。TKGにおいては、時系列性を内在する関係パターンを表現学習および推論のために研究することが必要です。しかし、既存の手法では、時系列関係パターンをモデル化することが難しく、時間経過に伴う関係間の本質的なつながりを捉えることができず、解釈可能性に欠けています。本稿では、新しい時系列モデリング手法を提案します。この手法では、時間的なエンティティを四元数ベクトル空間での回転（Rotations in Quaternion Vector Space: RotateQVS）として表現し、関係をハミルトンの四元数空間での複素ベクトルとして表現します。我々の手法が対称性、非対称性、逆関係などのTKGにおける重要な関係パターンをモデル化できることを示すとともに、理論的に時間経過に伴う関係変化も捉えられることを示します。実証的にも、我々の手法が4つの時系列知識グラフベンチマークにおけるリンク予測タスクの性能向上に寄与することを示しています。