【论文标题】ChronoR: Rotation Based Temporal Knowledge Graph Embedding 【论文链接】https://arxiv.org/abs/2103.10379 【作者团队】Ali Sadeghian, Mohammadreza Armandpour, Anthony Colas, Daisy Zhe Wang 【发表时间】2021.3.18 【推荐理由】论文收录于AAAI-2021，研究人员提出一种用于学习实体、关系和时间表示的新型模型ChronoR，它通过使用高维旋转作为变换算子，能捕捉到时序知识图谱的时间和多关系特征之间的丰富交互信息。

虽然时序知识图谱既重要又丰富，但目前的研究大多集中在静态知识图谱的推理上。在这篇论文中，研究人员主要针对知识图谱推理中的具有挑战性的问题展开研究，尤其是时序链接预测任务。一般来说，由于数据的不稳定性、异质性以及复杂的时间依赖性，时序链接预测任务十分困难。学习稠密表示通常被用作一种高效和通用的方法来执行知识图谱的推理，ChronoR模型学习一个由关系和时间参数化的K维旋转变换，使得每个事实的头部实体使用旋转变换后，能落在其对应的尾部实体附近。实验表明，在时序知识图谱链接预测任务的基准数据集上，ChronoR模型能够优于目前许多最先进的方法。

图1：在基准数据集上的实验结果

内容中包含的图片若涉及版权问题，请及时与我们联系删除