arXiv cs.LG·38 天前★ 2

BridgeMem：时序知识图谱预测的因果二元转移残差

原文标题：BridgeMem: Causal Dyadic Transition Residuals for Temporal Knowledge Graph Forecasting

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出BridgeMem，为冻结的全词表预测器对数分数添加二元转移残差修正，通过检索查询主体与候选间严格先于t的事件并编码关系、方向与时滞，转化为似然比校正。在五个基准上，BridgeMem在全部20项过滤MRR与Hits@K比较中均优于2021-2026年九个最强基线。

论文速读 · 四段结构去论文速读 →

问题: 时序知识图谱预测忽略查询主体与候选间的成对转移证据。
方法: 在冻结全词表预测器的对数分数上加二元转移残差，检索严格先于t的成对事件并编码关系、方向与时滞为似然比校正。
结果: 在五个基准的全部20项过滤MRR与Hits@{1,3,10}比较中均优于2021-2026年九个最强基线，MRR提升0.0213、0.0164、0.0216、0.0112、0.0028。
影响: 证明显式建模成对转移证据有效，可作为即插即用模块增强已有预测器。