本文是对论文A Survey on Knowledge Graphs: Representation, Acquisition and Applications的翻译，删繁就简，使用尽量通俗的语言。由于本人能力有限，难免会有错误，请见谅！

6. 时序知识图谱

当前知识图谱研究大多关注静态KG，不会随时间变化，而时变的KG探索较少。但是时序信息非常重要，因为很多结构化的知识只在特定的之间内有效，facts的变化遵循一个时间序列。近来的研究开始将时序信息融入到KRL和KGC中，称为时序知识图谱。

（1）时序信息Embedding

时间感知的Embedding主要融入了时序的信息，将三元组扩展到四元组(h,r,t,τ)，τ提供了关于fact的额外的时间信息。Leblay, 2018在带有时间标注的三元组上研究了时间范围预测，简单地扩展了已有的embedding方法，基于向量的TransE方法TTransE，定义为：

fτ(h,r,t)=−||h+r+τ−t||L1/2

时间范围4元组在原来3元组的基础上添加了时间范围[τs,τe]，其中τs,τe分别表示三元组有效的起始和终止时间。当给定一个时间戳τ的时候，可以根据动态KG得到静态的子图Gτ。HyTE, 2018将时间戳看做超平面wτ，将实体和关系的表征进行映射，以head实体为例Pτ(h)=h−(wτTh)wτ，tail实体和关系同理。时间映射打分函数为：

fτ(h,r,t)=||Pτ(h)+Pτ(r)−Pτ(t)||L1/L2

其中，映射转义公式为Pτ(h)+Pτ(r)≈Pτ(t)。

LSE4KGC, 2018将为词序列和时间词序列进行拼接，然后使用LSTM编码拼接后的时间感知的谓词序列。LSTM的最后的隐层作为时间感知的关系Embedding rtemp。扩展的TransE和DistMult对应的打分函数分别为‖h+rtemp−t‖2,(h∘t)rtempT。通过将实体e的上下文定义为包含e的事实的集合，Liu, 2019提出上下文选择器来捕获有用的上下文，然后使用选择的上下文衡量时序一致性。

（2）动态实体

现实中的时间会影响实体的状态以及对应的关系。为了改善时间范围推理，CTPM, 2014将时间范围问题建模为状态变化检测，使用上下文学习状态到状态改变的向量。Know-evolve, 2017，深度进化知识网络，研究了实体在KG中的演化以及它们演化之后的关系。有研究使用多源时间点过程模拟facts的变化，使用RNN学习非线性时间演化的表征。为了捕获节点之间的交互，RENET, 2019通过基于RNN的事件编码器和邻居聚合器建模事件序列。具体来说，RNN用来捕获时间实体交互，通过邻居聚合器聚合并发的交互。

（3）时序关系依赖

现有的时序依赖主要以遵循时间线的关系链形式存在，比如wasBornIn --> graduateFrom --> workAt --> diedIn。Jiang, 2016提出时间感知Embedding，基于时序正则化的联合学习框架，来融合事件序列和一致性信息。定义时序打分函数为f(〈rk,rl〉)=‖rkT−rl‖L1/2，T∈Rd×d是一个对称矩阵，对于一个时间序列关系对$$编码关系的时间顺序。利用整数线性规划公式，进一步应用分离、有序和段落这3个时间一致性约束。

（4）时序逻辑推理

也有研究使用逻辑规则进行时序推理。Chekol, 2017探索马尔科夫逻辑网络和概率软逻辑，在不确定时序KG上进行推理。RLvLR-Stream, 2019考虑时间相邻路径规则，从KG流中学习规则的结构用于推理。