论文阅读笔记---LCGE-基于逻辑和常识来实现时态知识图谱补全的方法
1.简介
- 标题：Logic and Commonsense-Guided Temporal Knowledge Graph Completion
- 时间： 2023
- 会议： AAAI-23
- 结构：北京航空航天大学
- 代码：The appendix, source code and datasets of this paper are available at 代码
2.概述
现存的时态知识图谱补全方法存在不能表示时间(event)的时间效用性(timeliness)和事件之间因果性的问题，作者提出了一种名为Logic and Commonsense-Guided Embedding model(LCGE)的模型，提出联合学习具有时间效用性和因果性的时间敏感性(time-sensitive)表示 和 常识观点下事件的时间独立性的表示。 具体方法实现上，作者设计了一种时间规则学习算法，以构建规则引导的谓词嵌入正则化策略(RGPR Mechanism)，用于学习事件之间的因果关系，并且通过常识知识去准确计算时间的可能性，
3.整体框架
3.1 时间规则学习方法
首先，将训练集中的四元组信息给抹掉时间信息，转换成三元组，从而获得了global static KG
(GSKG)，然后从GSKG中挖掘静态规则，然后再转为时态规则，作者精心设计了五种时间规则模式。通过现在的规则学习算法 和 提出的五种时间规则模式，从现存的GSKG中挖掘出静态规则后，再将静态规则 扩展成相应的 候选时间规则。
4.实验 and 讨论
提出问题
问题引入：
（1）先前的模型分析了event知识会随时间发生有效性变化的问题，但是忽略了一些常识问题的长期有效性的性质。基于演化的模型很难推理那些具有较弱联系的事件模型，而TKGE模型却无法探索事件之间的因果性。
（2）先前的TKGC（Temporal Knowledge graph completion）都是数据驱动的模型，没有可解释性。
（3） StreamLearner是当时唯一已知的可以从时间知识图谱中挖掘时间规则的方法，但是仅仅探索了规则体中，所有原子同时受限制的单一时序模式，却忽略了事件之间多样的时间规则模式。
基于以上发现的问题，作者提出了LCGE（Logic and Commonsense-Guided Embedding）模型，通过设计时间规则指导的谓词嵌入正则化来学习事件的因果关系，同时，提出基于事件和常识的知识图谱嵌入策略来学习时间敏感性嵌入表示来 评分时间的可能性。
4.1 数据集统计信息
4.2 实验结果
4.3 消融实验
讨论：实验结果显示相比 传统静态嵌入模型 和 时态嵌入模型的效果都要好，但是为什么要和这两类模型比，可能是因为作者提出的是基于主要规则的嵌入模型，这样一看也是合理的了，如果和GNN一些方法相比，性能肯定不如GNN的效果，但是基于规则的方法好处是 可以通过 推理结果的可解释性，而神经网络的方法是黑盒模型，没有推理的可解释性。
5.个人总结
最重要是的就是提出问题部分吧，这篇文章的脉络思路非常清晰，先是提出了问题，然后再提出自己的方法来解决以上问题，文章大概方法是通过挖掘规则 和 基于常识知识的设计来学习实体和谓词的嵌入表示，具体细节上的实现还需要更多的研读代码，文章解决了上面这些方法的问题，同时相比起神经网络的方法其可以提供可解释性的支撑。
