[논문 리뷰] A Survey on Temporal Knowledge Graph: Representation Learning and Applications

Li Cai, Xin Mao외 4명|arXiv (Cornell University)|2024. 03. 02.

Advanced Graph Neural Networks인용 수 8

한 줄 요약

이 논문은 temporal knowledge graph representation learning (TKGRL)을 조사하고, 방법의 분류 체계를 제안하며, 핵심 기술을 분석하고, TKGRL의 응용 및 향후 방향을 개관합니다.

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.

연구 동기 및 목표

• temporal knowledge graphs의 정의, 데이터셳, 평가 지표를 도입한다.
• 핵심 기술을 기준으로 TKGRL 방법의 분류 체계를 제안한다.
• 각 범주 내의 방법에 대한 심층 분석(Transform-, decomposition-, GNN-, capsule-based, autoregression-, point process-, interpretability-, language model-, few-shot-, 등)을 제공한다.
• TKGRL의 다운스트림 응용 예로 시간적 지식 추론, 엔티티 정렬, 그리고 TKGs에 대한 질의응답을 조사한다.
• 확장성, 해석 가능성, 정보 융합, 그리고 대형 언어 모델의 통합 등 향후 연구 방향을 강조한다.

제안 방법

• 핵심 기술에 기반하여 TKGRL 방법을 열 가지 범주로 분류한다.
• 각 범주 내 주요 구성 요소를 요약하고 강점/약점을 분석한다.
• 데이터셋(ICEWS, GDELT, Wikidata, YAGO)과 평가 지표(MRR, Hits@k)를 설명한다.
• 다운스트림 응용: 시간적 추론, 엔티티 정렬, 그리고 질의응답 등을 논의한다.
• 확장성, 해석 가능성, 정보 융합 및 LLM 통합을 포함한 향후 방향을 개요한다.

실험 결과

연구 질문

• RQ1 TKGRL에 사용되는 주요 방법론적 패러다임은 무엇인가?
• RQ2 다양한 TKGRL 방법은 일반적인 다운스트림 작업 및 데이터셋에서 어떤 성능을 보이는가?
• RQ3 TKGRL 연구의 현재 과제와 향후 방향은 무엇인가?

주요 결과

• 열 가지 범주에 걸친 TKGRL 방법의 포괄적 분류 체계를 제공합니다.
• 각 범주별 핵심 기술과 구성 요소를 상세히 제시하고 강점과 한계를 논의합니다.
• TKGRL에서 사용되는 여러 시계열 KG 데이터셋과 표준 평가 지표를 검토합니다.
• 시간적 KGs에서의 추론, 엔티티 정렬, 그리고 질의응답 등의 응용을 개요합니다.
• 확장성, 해석 가능성, 정보 융합, 및 LLM 통합을 포함한 향후 연구 방향에 대한 시각을 제공합니다.