递归事件网络(RE-Net)的PyTorch实施
论文:
TL; DR:我们提出了一种自回归模型,以在时间知识图(外推问题)上的未观察时间推断图结构。
该存储库包含本文中描述的RE-Net架构的实现。
知识图推理是自然语言处理中的关键任务。 在每个事实都与时间戳相关联的时间知识图上,任务变得更具挑战性。 现有的大多数方法都将重点放在过去的时间戳上,而这些时间戳无法预测将来发生的事实。 本文提出了递归事件网络(RE-Net),这是一种用于预测未来交互的新型自回归体系结构。 事实(事件)的发生被建模为以过去知识图的时间序列为条件的概率分布。 具体来说,我们的RE-Net使用循环事件编码器对过去的事实进行编码,并使用邻域聚合器在同一时间戳下对事实的连接进行建模。 然后,可以基于两个模块以顺序的方式推断未来的事实。 我们通过将来在五个公共数据集上的链接预测来评估我们提出的方法。 通过广泛的实验
评论0
最新资源