A Survey on Temporal Knowledge Graph: Representation Learning and Applications

知识图谱引起了广泛的研究关注，被广泛用于增强下游应用。然而，大多数当前的研究主要集中在静态知识图谱上，其事实不随时间而变化，并忽略了它们随时间的动态演变。因此，时间知识图谱引起了更多的关注，因为大量结构化知识仅存在于特定时期。知识图谱表示学习旨在为知识图谱中的实体和关系学习低维向量嵌入。时间知识图谱的表示学习将时间信息纳入标准知识图谱框架中，并可以模拟实体和关系随时间的动态变化。在本文中，我们对时间知识图谱表示学习及其应用进行了全面调查。我们首先介绍了时间知识图谱表示学习的定义、数据集和评估指标。接下来，我们提出了一个基于时间知识图谱表示学习方法的核心技术的分类法，并对每个类别中不同的方法进行了深入分析。最后，我们介绍了与时间知识图谱相关的各种下游应用。最后，我们总结了本文，并展望了这一领域未来的研究方向。

本文旨在研究时间知识图谱表示学习及其应用。与传统的静态知识图谱不同，时间知识图谱能够模拟实体和关系在时间上的动态演变。

本文提出了一种时间知识图谱表示学习的分类方法，并对每种方法进行了深入分析。

本文介绍了时间知识图谱表示学习的定义、数据集和评估指标，并提出了各种下游应用。实验使用了多个数据集，并且提供了开源代码。未来研究方向包括更好的时间建模和更好的应用场景探索。

近期的相关研究包括《Representation Learning on Temporal Knowledge Graphs: Methods and Applications》、《A Survey of Temporal Knowledge Graph Completion》等。