History repeats Itself: A Baseline for Temporal Knowledge Graph Forecasting

时间知识图谱（TKG）预测旨在基于知识图谱的历史记录，预测未来时间步骤中的知识图谱链接。迄今为止，已经有了标准化的评估协议和对TKG模型的严格比较，但是在评估中往往忽视了简单基准的重要性，这阻碍了研究人员区分实际和虚假的进展。我们提出通过设计一个基于预测重复事实的直观基准来弥补这一差距。与大多数TKG模型相比，它需要很少的超参数调整和没有迭代训练。此外，它可以帮助识别现有方法的失败模式。实证结果相当出乎意料：与五个数据集上的11种方法相比，我们的基准在其中三个数据集中排名第一或第三，描绘了与现有技术的预测质量截然不同的画面。

论文旨在解决Temporal Knowledge Graph (TKG) Forecasting中缺乏简单基准的问题，提出一种基于预测重复事实的直观基准，并比较其与现有方法的性能。

论文提出的直观基准是基于预测重复事实，与大多数TKG模型相比，需要较少的超参数调整和无迭代训练。

论文在五个数据集上测试了11种方法和提出的基准方法，并发现在三个数据集上，基准方法排名第一或第三，与现有方法的表现相比有很大不同。论文还指出，现有方法中常常忽略了简单基准的重要性，这限制了研究者区分实际和虚假进展的能力。

相关研究包括TKG预测和基准方法的设计。