ترجمه فارسی مقاله CEGRL-TKGR: یک چارچوب یادگیری نمودار پیشرفته برای بهبود استدلال برون یابی نمودار دانش زمانی

چکیده

Temporal knowledge graph reasoning (TKGR) is increasingly gaining attention for its ability to extrapolate new events from historical data, thereby enriching the inherently incomplete temporal knowledge graphs. Existing graph-based representation learning frameworks have made significant strides in developing evolving representations for both entities and relational embeddings. Despite these achievements, there’s a notable tendency in these models to inadvertently learn biased data representations and mine spurious correlations, consequently failing to discern the causal relationships between events. This often leads to incorrect predictions based on these false correlations. To address this, we propose an innovative causal enhanced graph representation learning framework for TKGR (named CEGRL-TKGR). This framework introduces causal structures in graph-based representation learning to unveil the essential causal relationships between events, ultimately enhancing task performance. Specifically, we first disentangle the evolutionary representations of entities and relations in a temporal graph sequence into two distinct components, namely causal representations and confounding representations. Then, drawing on causal intervention theory, we advocate the utilization of causal representations for predictions, aiming to mitigate the effects of erroneous correlations caused by confounding features, thus achieving more robust and accurate predictions. Finally, extensive experimental results on six benchmark datasets demonstrate the superior performance of our model in the link prediction task.

چکیده به فارسی (ترجمه ماشینی)

استدلال نمودار دانش موقتی (TKGR) به طور فزاینده ای به دلیل توانایی خود در برون یابی رویدادهای جدید از داده های تاریخی توجه می کند و از این طریق نمودارهای دانش ذاتی ناقص را غنی می کند.چارچوب های یادگیری نمایشی مبتنی بر نمودار موجود ، گام های مهمی در توسعه بازنمایی های در حال تحول برای هر دو موجودیت و تعبیه های رابطه ای برداشته اند.با وجود این دستاوردها ، تمایل قابل توجهی در این مدل ها وجود دارد که سهواً بازنمایی داده های مغرضانه و همبستگی های مین را بیاموزند ، در نتیجه نتوانست روابط علّی بین وقایع را تشخیص دهد.این اغلب منجر به پیش بینی های نادرست بر اساس این همبستگی های دروغین می شود.برای پرداختن به این موضوع ، ما یک چارچوب یادگیری نمودار پیشرفته علّی پیشرفته برای TKGR (به نام Cegrl-TKGR) پیشنهاد می کنیم.این چارچوب ساختارهای علی را در یادگیری نمایش مبتنی بر نمودار برای پرده برداری از روابط علی اساسی بین وقایع ، در نهایت تقویت عملکرد کار معرفی می کند.به طور خاص ، ما ابتدا بازنمایی های تکاملی موجودات و روابط را در یک دنباله نمودار زمانی به دو مؤلفه مجزا ، یعنی بازنمایی های علیت و بازنمایی های مخدوش منتقل می کنیم.سپس ، با ترسیم نظریه مداخله علی ، ما از استفاده از بازنمایی های علی برای پیش بینی ها حمایت می کنیم ، با هدف کاهش اثرات همبستگی های نادرست ناشی از ویژگی های مخدوش ، در نتیجه دستیابی به پیش بینی های قوی تر و دقیق تر.سرانجام ، نتایج تجربی گسترده در شش مجموعه داده معیار عملکرد برتر مدل ما را در کار پیش بینی پیوند نشان می دهد.