时序知识图谱对大多人工智能应用至关重要,但它们通常存在不完整性.为解决知识或事件的真实性会随着时间发生动态变化的问题以及更好地捕捉实体和关系动态演化的特性,提出基于CNN和多头注意力关系嵌入的时序知识图谱补全方法(CNN and multi-head attention embedding,CMAE),先通过CNN提取关系的复杂时间特征,再通过多头注意力机制并行处理多个关系子空间的语义信息,并结合了TransE、DisMult和SimpIE3种现有的评分函数模型来完成对实体的预测.通过在两个公开的ICEWS 14 和ICEWS 05-15 数据集上进行实验,结果表明,提出的CMAE方法不仅能与现有的评分函数模型相结合,还能相应地提升它们的性能.同时,与DE-SimpIE、HiSMatch和TTransE等方法进行实验对比,提出的CMAE方法在MRR和Hit@N值上表现较优,能够实现更准确的时序知识图谱补全任务.
NETL
NSTL
万方数据
