当前位置：首页 > news >正文

Sequence Encoder-based Spatio temporal Knowledge Graph Completion

news 2025/10/14 8:45:33

摘要

知识图谱（KG）补全旨在从不完整的知识图谱中推断出新的事实。大多数现有的解决方案侧重于从时间感知的事实三元组中学习，而忽略了空间信息。实际上，知识图谱可能随着时间变化以及位置的变化而演化，例如航班领域。因此，将时空信息融入到知识图谱表示中对知识图谱补全至关重要。为了解决这个问题，本文提出了两种基于序列编码器的时空感知知识图谱补全模型，即STSE和S-TSE，它们将空间和时间信息融入到关系中。该模型包括两个步骤：时空感知关系编码和最终评分函数评估。第一阶段将时空信息划分为不同的标记，然后通过两种方法获取时空感知关系的嵌入表示，采用递归神经网络（RNN）。第二阶段则提出了为两个模型设计的不同评分函数。对两个公共数据集进行了时空感知知识图谱补全任务的实证评估，实验结果证明了该提案在时空知识图谱补全中的有效性。

3.2 The Proposed Models for Spatiotemporal Knowledge Graph Completion

本部分详细介绍了提出的时空知识图谱补全模型。给定一个STKG（时空知识图谱），模型首先旨在学习实体和关系的表示。然后，利用评分函数评估事实的合理性，使得真实的事实能够获得较高的分数。因此，实体和关系的表示可以通过优化适当的成本函数进行学习。最后，根据每个实体和关系的学习嵌入，模型可以预测缺失的实体。

与以往忽略空间信息的研究不同，本文提出了两种模型，分别为STSE和S-TSE，它们将时空信息融入到事实中。首先，这两种模型利用LSTM模型捕捉顺序数据，即关系、时间标记和空间标记。接着，为了提高可用性，这两种模型应用现有的静态KGC评分函数来评估事实的合理性。具体而言，提出模型的概述如图1所示。从图1可以看出，STSE和S-TSE有两个主要组成部分，即关系编码和评分函数。对于关系编码阶段，STSE假设关系、时间信息和位置信息是不可分的。因此，它将空间和时间信息整合到关系中。具体来说，它通过LSTM模型依次处理关系、时间信息和位置。另一种模型，S-TSE，假设时间信息和位置信息是独立的。因此，S-TSE利用两个LSTM模型分别对空间感知关系和时间感知关系进行编码。对于评分函数，基于TransE模型【9】，我们为两个模型设计了不同的评分函数。

3.2.1 时空感知关系编码

提出的模型的主要组成部分之一是学习时空信息的关系表示。给定一个事实(h1,r1:<t1,l1>,h2)，设计了两种方法来将空间和时间信息融合到关系中，以进行关系嵌入，分别为时空共同序列编码（ST）和时空独立序列编码（S-T）。这两种方法主要包括两个阶段：时空信息分解和时空感知关系编码。

对于第一阶段，这两种方法将空间和时间信息分解为时空标记的序列。对于第二阶段，这两种方法利用不同的方式对关系进行编码。具体而言，ST假设关系、时间信息和位置信息是不可分的。因此，它将空间和时间信息结合到关系中。具体来说，它通过LSTM模型处理关系、时间信息和位置信息。另一种模型，S-T，假设时间信息和位置是独立地影响关系。因此，S-T利用两个LSTM模型分别对时空感知关系和时空独立关系进行编码。每种方法的两个阶段的详细描述如下：

3.2.1.1 时空信息分解

该阶段旨在将时空信息分解为时间标记的序列。对于这个阶段，第一个挑战是如何将时间和空间信息分解成标记。第二个挑战是如何选择总标记的数量。研究[23]提出了一种新方法，将时间信息分解为32个标记，然而，存在两个问题。第一个是它仅处理年、月和日，忽略了更细粒度的时间信息，例如分钟和秒。为了改进，本文采用1到12的标记表示月份，且与月份标记一致，其他日期标记仍为0到9。因此，本文提出了一种新的方法，将时间信息分解为五个部分，包括年、月、日、小时和分钟。每个部分可以用十个不同的标记表示（即0到9），如图2所示。