面向新兴实体的时序知识图谱归纳推理

时序知识图谱（TKG）推理对预测未来事件至关重要，但现有方法受限于封闭世界假设，难以处理无历史交互的新兴实体。研究发现新兴实体占比约 25%，导致推理性能显著下降。受语义相似实体具有可比交互历史的启发，本文提出 TransFIR 框架。该方法利用基于代码本的分类器将新兴实体划分为潜在语义簇，使其能迁移相似已知实体的推理模式。实验表明，TransFIR 在多个数据集上的平均倒数排名（MRR）提升 28.6%，优于所有基线方法。