感知显著性的时序知识图谱推理评估

时序知识图谱推理（TKGR）旨在从历史数据中推断缺失（尤其是未来）事件。当前评估均匀加权所有事件，忽略了多数为琐碎重复的事实，从而高估了真实推理能力。为此，本文提出一种感知显著性的评估框架，引入基于规则的显著性测量框架（RSMF），通过对比事件预期发生率与时序规则导出的同类事件来量化显著性，并将其作为权重融入 MRR 和 Hits@k 等指标。实验表明：模型在显著性越高时表现越差；基于路径的方法擅长低显著性事件，而基于表示的方法擅长高显著性事件；集成方法的增益主要源于拟合琐碎事件而非推理提升。该框架提供了更严谨的评估标准，引导领域关注显著事件预测。