Improving Temporal Knowledge Graph Reasoning with Hierarchical Semantic-Aware Contrastive Learning

Dieses Kapitel vertieft sich in die Verbesserung des zeitlichen Wissensdiagramms (TKGs) durch die Einführung eines hierarchisch semantisch bewussten Rahmenwerks für kontrastives Lernen (HSCL). Die Studie konzentriert sich auf die Extrapolation, bei der zukünftige Fakten auf Grundlage historischer Daten vorhergesagt werden. Das HSCL-Framework integriert kurz- und langfristige Sequenzencoder mit einem ganzheitlichen Aufmerksamkeitsmechanismus, um abfragespezifische zeitliche Dynamiken zu erfassen. Außerdem wird ein hierarchisches Kontrastmodul eingeführt, das die Darstellung verfeinert, indem subtile Unterschiede zwischen einzelnen Ereignissen unterschieden und hierarchische Beziehungen zwischen detaillierten Ereignissen und breiteren Kategorien erfasst werden. Die Effektivität der vorgeschlagenen Methode wird durch Bewertungen über vier Benchmark-Datensätze hervorgehoben, die eine im Vergleich zu aktuellen Basislinien überlegene Leistung in Bezug auf Argumentationsgenauigkeit und Darstellungsfähigkeit zeigen. Das Kapitel umfasst auch Ablationsstudien und Leistungsanalysen unter ressourcenarmen und induktiven Bedingungen, was die Robustheit und Verallgemeinerung des HSCL-Rahmenwerks weiter bestätigt. Die Schlussfolgerung betont die Bedeutung hierarchisch kontrastiven Lernens bei der Verbesserung des TKG-Denkens und bietet einen neuartigen Ansatz zur Erfassung sowohl feinkörniger als auch umfassenderer semantischer Beziehungen.