数之联团队在时序知识图谱补全领域取得重要突破

发布时间：2025-05-20 07:39

近日，数之联算法团队在时序知识图谱（Temporal Knowledge Graphs, TKG）补全领域取得重要研究突破。研究成果“基于四元数系统的多维旋转模型建模时序知识图谱中的多样化模式”发表于人工智能与知识工程领域国际顶级期刊《Knowledge-Based Systems》（影响因子：8.139）。论文第一作者为电子科技大学朱君博士，通讯作者为数之联首席算法官陈端兵，合作作者包括数之联周俊临、傅彦和胡佳辉等。

该研究成果的发表，不仅标志着数之联在时序知识图谱领域的研究迈上了新台阶，也为相关领域的理论创新与实践应用提供了重要的技术支撑和参考价值。

研究背景与意义

时序知识图谱（TKG）是动态记录实体及其关系随时间演化的知识表示形式，在智能推荐、金融分析、智慧城市等领域具有广泛应用。然而，TKG中信息缺失是一个普遍现象，补全缺失信息对提升知识图谱的完整性和实用性至关重要。现有方法主要关注静态知识图谱中的关系模式，难以有效建模时间信息对实体关系的影响，对复杂时序关系的建模能力不足。

创新研究方法

针对上述问题，研究团队提出了一种基于四元数系统的多维旋转模型（multi-dimension rotations based on quaternion system，MDRQS）。该模型首次将多维旋转变换与注意力机制相结合，通过并行化的复杂变换组合，有效建模实体间的多重关系和时序动态性。具体而言，MDRQS利用四元数系统的高效旋转特性，结合注意力机制动态调整不同时间戳下的维度旋转策略，从而捕捉同一时刻的多重关系和同一事件在不同时间点的变化。

实验与成果

研究团队在四个国际公认的基准数据集上进行了大量实验，验证了MDRQS在链接预测任务中的有效性。实验结果表明，MDRQS不仅能够建模知识图谱中预定义的关系模式，还能发现并建模新兴的关系模式，在复杂时序关系场景下表现优异。与现有方法相比，MDRQS在TKG补全任务中展现了显著的效果优势。

研究亮点

创新性模型设计：提出基于四元数系统的多维旋转模型，首次将多维旋转变换与注意力机制结合，突破了传统方法对复杂时序关系建模的局限性。

时间信息的高效利用：通过注意力机制动态调整维度旋转策略，解决了传统方法对时间信息利用不足的问题，能够同时捕捉多重关系和时序动态性。

强大的关系模式建模能力：不仅能够建模预定义的关系模式，还能发现并建模新兴的关系模式，为动态知识图谱补全提供了新的解决方案。

应用前景

该研究成果为时序知识图谱补全提供了新的理论和方法支持，可广泛应用于智能推荐、金融风险预测、智慧城市管理等场景。例如，在金融领域，MDRQS可用于建模企业间随时间演化的复杂关系，辅助风险预测与决策；在智慧城市中，可帮助分析城市动态数据，优化资源配置与公共服务。

关于期刊《Knowledge-Based Systems》

人工智能与知识工程领域国际顶级期刊《Knowledge-Based Systems》

《Knowledge-based Systems》（简称“KBS”）是人工智能领域的国际性、跨学科期刊。该期刊发表该领域的原创、创新和创造性研究成果，旨在重点研究基于知识和其他基于人工智能技术的系统，该期刊是中国计算机学会推荐期刊，属于中科院一区、JCR一区期刊。

网址：数之联团队在时序知识图谱补全领域取得重要突破 http://mxgxt.com/news/view/1302916