Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning

时间知识图谱（TKG）推理侧重于通过时间线上分布的快照中的历史信息来预测事件。现有的研究主要集中在两个方面，包括捕捉每个最近快照的演变或全局历史事实之间的相关性。尽管取得了显著的成就，但这些模型仍然存在不足，包括（1）未能调查跨最近快照的多粒度交互的影响以及（2）未能利用整个历史期间与查询相关的重要链接的表达语义，特别是对未来产生深远影响的事件。这些不足限制了表示能力，无法充分反映历史依赖关系和未来趋势。为了克服这些缺点，我们提出了一种创新的TKG推理方法，称为历史相关事件结构化（$\mathsf{HisRES}$）。具体而言，$\mathsf{HisRES}$包括两个独特的模块，擅长于在TKG中结构化历史相关事件，包括一个多粒度演化编码器，捕捉最近快照的结构和时间依赖性，以及一个全局相关编码器，专注于整个历史中与查询相关的关键事件之间的相关性。此外，$\mathsf{HisRES}$还结合了自门控机制，以自适应地合并多粒度最近和历史相关的结构化表示。对四个基于事件的基准测试的广泛实验表明，$\mathsf{HisRES}$具有最先进的性能，并表明结构化历史相关性对于TKG推理的优越性和有效性。

解决问题：本文旨在通过历史信息来预测事件，但现有的TKG推理模型仍存在多粒度交互影响和利用全局历史事实的表达能力不足等问题。

关键思路：提出了一个名为HisRES的TKG推理方法，包括一个多粒度演化编码器和一个全局相关性编码器，以及一个自门机制用于自适应地合并多粒度和历史相关的结构表示。

亮点：在四个事件基准测试上进行了广泛的实验，表明HisRES具有最先进的性能，并且表明历史相关性的结构化对于TKG推理的优越性和有效性。

相关研究：近期的相关研究包括利用历史信息的TKG推理模型，但HisRES通过结构化历史相关性来提高表达能力，是一种新的思路。