Temporal Knowledge Graph Completion via Sequence Encoders

学习序列编码器用于时态知识图谱补全 在机器学习领域中，学习从正例和未标记数据（PU Learning）是一种常见的设置，学习器只能访问正例和未标记数据。在这种设置中，未标记数据可以包含正例和负例。这种设置在机器学习文献中引起了越来越多的兴趣，因为这种类型的数据在应用中自然出现，例如医疗诊断和知识库补全。本文提供了PU学习领域的最新研究进展，提出了七个关键的研究问题，并概述了该领域如何尝试解决这些问题。 在时态知识图谱补全中，学习序列编码器扮演着关键角色。时态知识图谱是指关系之间的时间约束关系图谱，例如，某个事件发生的时间点或时间段。在这种图谱中，关系类型可能会随着时间而改变或失效。为了解决这个问题，我们需要学习时态关系类型的表示，并将其与静态知识图谱的表示方法结合起来。 在本文中，我们提出了使用循环神经网络来学习时态关系类型的表示。这种方法可以捕捉关系类型随时间的变化，并且可以与静态知识图谱的表示方法结合起来。实验结果表明，我们的方法可以在四个时态知识图谱上取得良好的效果，并且可以解决时态知识图谱中的稀疏性和异质性问题。 在时态知识图谱补全中，学习序列编码器可以用于学习时态关系类型的表示，并将其用于知识图谱补全。这种方法可以解决时态知识图谱中的稀疏性和异质性问题，并且可以提高知识图谱补全的准确性。 在PU学习中，学习序列编码器可以用于学习时态关系类型的表示，并将其用于知识图谱补全。在这个过程中，学习序列编码器可以学习时态关系类型的表示，并将其与静态知识图谱的表示方法结合起来。这种方法可以解决时态知识图谱中的稀疏性和异质性问题，并且可以提高知识图谱补全的准确性。 学习序列编码器在时态知识图谱补全中扮演着关键角色，可以解决时态知识图谱中的稀疏性和异质性问题，并且可以提高知识图谱补全的准确性。