[논문 리뷰] A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects

Jiapu Wang, Boyue Wang외 9명|arXiv (Cornell University)|2023. 08. 04.

Advanced Graph Neural Networks인용 수 21

한 줄 요약

이 논문은 Temporal Knowledge Graph Completion (TKGC)에 대한 포괄적인 검토를 제공하며, 세분화된 분류 체계, 데이터셋, 평가 프로토콜 및 향후 방향을 제시합니다.

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.

연구 동기 및 목표

• 최근 연구를 강조하여 TKGC 문헌을 체계적으로 요약한다.
• 보간과 외삽으로 나뉜 TKGC 방법의 세분화된 분류 체계를 제안한다.
• TKGC에 사용되는 벤치마크 데이터셋과 평가 프로토콜을 요약한다.
• 주요 도전과제를 식별하고 향후 연구 방향을 제시한다.

제안 방법

• TKGC 방법을 보간과 외삽으로 분류하고, 시간 정보가 처리되는 방식에 따라 추가로 세분화한다.
• 타임스탬프 의존 기반, 타임스탬프 특성 함수 기반, 복잡/비선형 임베딩 및 딥 러닝 기반 TKGC 접근법을 자세히 설명한다.
• TKGC에 사용되는 손실 함수(마진 기반 및 크로스 엔트로피)와 세 가지 시간 규제화를 요약한다.
• 벤치마크 데이터셋(ICEWS, GDELT, YAGO, Wikidata 등) 및 평가 지표(MR, MRR, Hits@N)와 프로토콜(Raw vs Filter)을 검토한다.
• TKGC의 도전 과제와 향후 연구 방향에 대한 종합을 제공한다.

실험 결과

연구 질문

• RQ1 TKGC 방법의 주요 범주는 무엇이며 어떻게 구성될 수 있는가(보간 vs 외삽)?
• RQ2 다른 방법들이 시간 정보를 어떻게 처리하는가(타임스탬프 중심, 함수 기반, 복잡/기하학적 공간의 임베딩, 딥 러닝)?
• RQ3 TKGC에 표준으로 사용되는 데이터셋과 평가 프로토콜은 무엇이며, 그 특성은 무엇인가?
• RQ4 TKGC 연구에서 확인된 주요 도전과 유망한 방향은 무엇인가?

주요 결과

• 본 논문은 세분화된 분류 체계를 갖춘 TKGC 방법에 대한 포괄적이고 최신의 고찰을 제공합니다.
• 보간 방법은 시간 처리 방식으로, 외삽 방법은 알고리즘적 접근 방식(룰 기반, GNN, 메타러닝, 강화 학습)으로 분류합니다.
• TKGC에 일반적으로 사용되는 손실 함수(마진 기반 랭킹 및 크로스 엔트로피)와 시간 규제화(세 가지 형태)를 요약합니다.
• 열한 개의 벤치마크 데이터셋과 표준 평가 지표/프로토콜에 대한 개요를 제공합니다.
• 추천 및 Q&A 시스템에서의 TKGC의 실제 응용에 대해 논의하고 향후 연구 방향을 제시합니다.