[論文レビュー] A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects

Jiapu Wang, Boyue Wang+9 more|arXiv (Cornell University)|Aug 4, 2023

Advanced Graph Neural Networks被引用数 21

ひとこと要約

この論文は Temporal Knowledge Graph Completion (TKGC) の包括的な調査を提供し、細かな分類、データセット、評価プロトコル、将来の方向性を提示する。

ABSTRACT

Temporal characteristics are prominently evident in a substantial volume of knowledge, which underscores the pivotal role of Temporal Knowledge Graphs (TKGs) in both academia and industry. However, TKGs often suffer from incompleteness for three main reasons: the continuous emergence of new knowledge, the weakness of the algorithm for extracting structured information from unstructured data, and the lack of information in the source dataset. Thus, the task of Temporal Knowledge Graph Completion (TKGC) has attracted increasing attention, aiming to predict missing items based on the available information. In this paper, we provide a comprehensive review of TKGC methods and their details. Specifically, this paper mainly consists of three components, namely, 1)Background, which covers the preliminaries of TKGC methods, loss functions required for training, as well as the dataset and evaluation protocol; 2)Interpolation, that estimates and predicts the missing elements or set of elements through the relevant available information. It further categorizes related TKGC methods based on how to process temporal information; 3)Extrapolation, which typically focuses on continuous TKGs and predicts future events, and then classifies all extrapolation methods based on the algorithms they utilize. We further pinpoint the challenges and discuss future research directions of TKGC.

研究の動機と目的

• 最近の研究を重視してTKGC文献を系統的に要約する。
• TKGC手法を補間と外挿に分けた細かな分類を提案する。
• TKGCで用いられるベンチマークデータセットと評価プロトコルを要約する。
• 主要な課題を特定し、今後の研究方向性を示す。

提案手法

• TKGC手法を補間と外挿に分類し、さらに時間情報の処理方法で細分化する。
• タイムスタンプ依存ベース、タイムスタンプ特異関数ベース、複雑/非線形埋め込み、深層学習ベースのTKGCアプローチを詳述する。
• 損失関数（マージンベースとクロスエントロピー）とTKGCで用いられる三つの時系列正則化を要約する。
• ベンチマークデータセット（ICEWS, GDELT, YAGO, Wikidata など）と評価指標（MR, MRR, Hits@N）およびプロトコル（Raw vs Filter）をレビューする。
• TKGCの課題と今後の研究方向性の統合を提供する。

実験結果

リサーチクエスチョン

• RQ1 TKGC手法の主なカテゴリは何で、どのように整理できるか（補間 vs 外挿）？
• RQ2 さまざまな手法は時系列情報をどのように処理するか（タイムスタンプ中心、関数ベース、複雑/幾何空間の埋め込み、深層学習）？
• RQ3 TKGCで標準的なデータセットと評価プロトコルは何で、それらの特徴は何か？
• RQ4 TKGC研究における主要な課題と有望な方向性は何か？

主な発見

• 本論文は、細かな分類を備えた最新のTKGC手法の包括的な調査を提供する。
• 補間手法を時間処理で、外挿手法をアルゴリズム的アプローチ（規則ベース、GNN、メタ学習、強化学習）で分類する。
• TKGCに一般に用いられる損失関数（マージンベースのランキングとクロスエントロピー）と三つの形式の時系列正則化を要約する。
• 11のベンチマークデータセットと標準的な評価指標/プロトコルの概要を提供する。
• 推奨システムやQ&AシステムにおけるTKGCの実践的応用を論じ、今後の研究方向を概説する。