面向时序知识图谱推理中高效目标导向路径探索的可达性感知预训练

时序知识图谱（TKG）外推推理旨在基于历史数据预测未来事件。现有基于强化学习（RL）的多跳推理方法虽具可解释性，但面临奖励稀疏及动作空间巨大导致的探索低效问题。为此，本文提出 RAPTOR，一种自监督预训练方法。该方法通过注入可达性感知的归纳偏置，使智能体学会评估候选动作到达目标实体的可能性，从而减少无效路径探索并为下游 RL 微调提供优良初始化。实验表明，RAPTOR 显著提升了训练效率并优于传统基线。