[論文レビュー] A Survey on Temporal Knowledge Graph: Representation Learning and Applications

Li Cai, Xin Mao+4 more|arXiv (Cornell University)|Mar 2, 2024

Advanced Graph Neural Networks被引用数 8

ひとこと要約

本論文は時系列知識グラフ表現学習（TKGRL）を系統的に調査し、方法の分類法を提案し、核心技術を分析し、TKGRLのアプリケーションと将来の方向性を概説する。

ABSTRACT

Knowledge graphs have garnered significant research attention and are widely used to enhance downstream applications. However, most current studies mainly focus on static knowledge graphs, whose facts do not change with time, and disregard their dynamic evolution over time. As a result, temporal knowledge graphs have attracted more attention because a large amount of structured knowledge exists only within a specific period. Knowledge graph representation learning aims to learn low-dimensional vector embeddings for entities and relations in a knowledge graph. The representation learning of temporal knowledge graphs incorporates time information into the standard knowledge graph framework and can model the dynamics of entities and relations over time. In this paper, we conduct a comprehensive survey of temporal knowledge graph representation learning and its applications. We begin with an introduction to the definitions, datasets, and evaluation metrics for temporal knowledge graph representation learning. Next, we propose a taxonomy based on the core technologies of temporal knowledge graph representation learning methods, and provide an in-depth analysis of different methods in each category. Finally, we present various downstream applications related to the temporal knowledge graphs. In the end, we conclude the paper and have an outlook on the future research directions in this area.

研究の動機と目的

• 時系列知識グラフの定義、データセット、評価指標を導入する。
• 核心技術を横断したTKGRL手法の分類法を提案する。
• 各カテゴリ内の手法を詳細に分析し、変換-, 分解-, GNN-, カプセルベース-, 自己回帰-, ポイントプロセス-, 解釈性-, 言語モデル-, 少数ショット-, その他のカテゴリの手法を分析する。
• TKGRLの下流アプリケーションとして、時系列知識推論、エンティティ整合、TKG上の質問応答などを調査する。
• スケーラビリティ、解釈性、情報融合、巨大言語モデルの統合といった将来の研究方向を強調する。

提案手法

• 核技術に基づいてTKGRL手法を十のカテゴリに分類する。
• 各カテゴリの主要な要素を要約し、長所と短所を分析する。
• データセット（ICEWS、GDELT、Wikidata、YAGO）と評価指標（MRR、Hits@k）を記述する。
• 下流アプリケーションとして、時系列推論、エンティティ整合、質問応答について議論する。
• スケーラビリティ、解釈性、情報融合、LLM統合を含む今後の方向性を概説する。

実験結果

リサーチクエスチョン

• RQ1 TKGRLで用いられる主な方法論的パラダイムは何か？
• RQ2 異なるTKGRL手法は、共通の下流タスクとデータセットでどのように性能を示すか？
• RQ3 TKGRL研究の現在の課題と将来の方向性は何か？

主な発見

• TKGRL手法を十カテゴリに跨る包括的な分類を提供する。
• 各カテゴリの主要技術と要素を詳述し、長所と制限を議論する。
• TKGRLで用いられる複数の時系列KGデータセットと標準評価指標を概説する。
• 時系列推論、エンティティ整合、時系列KG上の質問応答におけるアプリケーションを概説する。
• スケーラビリティ、解釈性、情報融合、LLM統合を含む将来の研究方向に関する見解を提供する。