分布漂移下的时序知识图谱预测：一项合成评估

arXiv:2607.09232v1 公告类型：新 摘要：时序知识图谱（TKG）表示不断演化的关系系统，其底层数据生成过程通常会随时间变化。然而，TKG预测模型通常仅在经验基准数据集上进行评估，这些数据集对模型在此类分布漂移下的鲁棒性提供的洞察有限。认识到这一问题，我们研究了受控漂移环境下的TKG预测，使用了一个合成TKG生成器，该生成器将三种时间和结构属性——重复性、同质性和周期性——编码为数据生成机制。这使得我们能够评估在平稳和漂移状态下的七种预测架构。我们的实验表明，TKG预测中的鲁棒性高度依赖于信号。在平稳条件下，基于重复性和周期性的规律在很大程度上是可恢复的，并且当重复性在数据中占主导时，简单的基于记忆的基线可以具有竞争力。然而，结构断裂揭示了模型适应性的局限性，在我们的研究中，潜在实体-社区结构的漂移构成了最大的挑战。总体而言，我们的研究结果提高了对当前TKG模型面对时间分布漂移时能力和局限性的理解。

而后者旨在评估模型对分布变化的鲁棒性，通过在数据生成过程中引入结构性断裂。