（本文很好的介绍了时序知识图谱的推理，重要！！！）
时序知识图谱定义：时序知识图谱是一种多关系有向图，结点时时序知识图谱中的实体，有向边是实体间的关系。其中结点之间的有向边带有时间戳，将带有时间戳的边称为事件。
时序知识图谱可以看作四元组(s,r,o,t)的集合，或写为。其中，s表示头实体，o 表示尾实体，r表示关系，t表示时间戳。头实体s和尾实体o属于实体集E，关系r属于关系集R，时间戳t属于时间戳集。事件用四元组进行表示，能有效地表达在时间戳t下，头实体s与尾实体o以关系r相连的信息。本文将在时间戳t 的事件集合表示为该时间戳的子知识图谱Gt，时间戳用于表示子知识图谱Gt 或事件的相对顺序，如公式所示。
本文引入了实体的切片特征、实体动态特征和实体片段特征。
（1）实体的切片特征表示当前时间戳内的实体信息，指在当前时刻与该实体相关的事实知识所包含的实体特征。
（2）实体的动态特征表示实体随时间而变化的信息，指实体在不同时间戳上包含与时间戳信息相关的特征。
（3）实体的片段特征表示实体在历史时间步上相对稳定的信息，指的是历史时间步上不随时间而变化的特征。
ICEWS18 数据集 四元组 带有时间戳”(China,Cooperate economically, Pakistan, 48)”表示，在时间戳 48中，国与巴基斯坦建立了经济合作关系。 其中， 时间戳是一个离散的整数集合，每个数据集相邻时间戳之间的时间间隔是固定值，如 ICEWS18 中两个时间戳的时间间隔为24小时，则其时间戳为{0,24,48,72, ¼¼}。
基于嵌入的时序知识推理方法是指，在现有基于嵌入的静态知识图谱推理基础上，引入时间信息的嵌入表示来实现时序动态知识图谱推理。基于嵌入的时序知识推理方法的特点是将实体、关系及时间戳投影到向量空间得到对应的嵌入表示，包括 TTransE[8]、 TA-DistMult[9]、 TNTComplEx[11]等方法。
本文使用TTransE 模型[8]来对时间信息进行表示学习，以获得每个时间戳的嵌入表示。TTransE优点是模型简单，且可将时间戳嵌入单独保存。
时序知识图谱能够以图结构形式进行建模，因此较多研究工作采用基于图卷积神经网络的时序知识图谱推理框架。
[En]
Time series knowledge graph can be modeled in the form of graph structure, so most of the research work adopts the reasoning framework of time series knowledge graph based on graph convolution neural network.
延伸论文：一种基于人才知识图谱推理和强化学习的可解释推荐方法
[En]
Extended thesis: an interpretable recommendation method based on talent knowledge graph reasoning and reinforcement learning
https://blog.csdn.net/baishuiniyaonulia/article/details/123241032
Original: https://blog.csdn.net/han54878/article/details/126575150
Author: TKG菜鸟
Title: 论文一：基于实体多元编码的时序知识图谱推理_彭成
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/120643/
转载文章受原作者版权保护。转载请注明原作者出处！
