[论文解读] 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 8

一句话总结

本论文综述时态知识图谱表示学习（TKGRL），提出方法的分类法，分析核心技术，并概述TKGRL的应用及未来方向。

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.

研究动机与目标

• 介绍时态知识图谱的定义、数据集和评估指标。
• 提出基于核心技术的 TKGRL 方法分类。
• 在每个类别内对方法进行深入分析（变换-, 分解-, GNN-, 基于胶囊的-, 自回归-, 点过程-, 可解释性-, 语言模型-, 少样本-, 以及其他）。
• 对 TKGRL 的下游应用进行调研，如时序知识推理、实体对齐，以及对 TKGs 的问答。
• 突出可扩展性、可解释性、信息融合以及大语言模型集成等方面的未来研究方向。

提出的方法

• 基于核心技术将 TKGRL 方法分成十个类别。
• 总结关键组成部分并分析各类别的优缺点。
• 描述数据集（ICEWS、GDELT、Wikidata、YAGO）及评估指标（MRR、Hits@k）。
• 讨论下游应用：时序推理、实体对齐和问答。
• 概述未来方向，包括可扩展性、可解释性、信息融合以及 LLM 集成。

实验结果

研究问题

• RQ1 TKGRL 的主要方法范式有哪些？
• RQ2 不同的 TKGRL 方法在常见下游任务和数据集上的表现如何？
• RQ3 TKGRL 研究当前面临哪些挑战与未来方向？

主要发现

• 提供了覆盖十个类别的 TKGRL 方法的全面分类。
• 详述每个类别的核心技术与组件，并讨论优点与局限性。
• 回顾多个人时态 KG 数据集及在 TKGRL 中使用的标准评估指标。
• 概述时序推理、实体对齐和在时态 KG 上的问答等应用。
• 就未来研究方向提出见解，包括可扩展性、可解释性、信息融合以及 LLM 集成。