A Unified Temporal Knowledge Graph Reasoning Model Towards Interpolation and Extrapolation

这篇论文讨论了时间知识图谱（TKG）推理的两种情况：插值推理和外推推理。两种方法都引起了研究者的极大兴趣，并具有重大意义。前者的方法弱化了事实序列之间的时间相关性，而后者的方法则需要知识的严格时间顺序，并忽略了过去缺失事实所提供的推断线索。这些限制了TKG应用的实用性，因为几乎所有现有的TKG推理方法都是针对其中一种情况而设计的。因此，本文提出了一种原始的基于时间路径的推理（TPAR）模型，用于插值和外推推理。TPAR采用了一种神经驱动的符号推理方式，对于模糊和嘈杂的时间数据具有强大的鲁棒性，并且具有良好的可解释性。全面的实验表明，TPAR在插值和外推推理的链接预测任务上优于现有技术的方法。设计了一个新的流水线实验设置，以评估现有技术的组合和提出的TPAR对插值和外推推理的表现。进行了更多的多样化实验，以展示TPAR的鲁棒性和可解释性。

解决问题：论文提出了一个新的Temporal PAth-based Reasoning (TPAR)模型，旨在解决现有的Temporal knowledge graph (TKG) reasoning方法只能应对插值推理或外推推理的问题。

关键思路：TPAR模型采用神经驱动的符号推理方法，能够在处理时间数据时具有鲁棒性和良好的可解释性，能够应对插值推理和外推推理两种情况。

其他亮点：论文通过实验表明，TPAR模型在处理链接预测任务时表现优于现有的SOTA方法，并且设计了新的实验设置来评估各种方法在插值推理和外推推理方面的表现。论文还展示了TPAR模型的鲁棒性和可解释性，并提供了数据集和代码。

相关研究：最近的相关研究包括《Temporal Knowledge Graph Completion with Conceptual Expanations》、《Time-Aware Knowledge Graph Completion via Dynamic Meta-Path Discovery》等。