融合循环模式的全局-局部演化建模在时序知识图谱推理中的应用及其在生命科学事件预测中的潜力

　　本文提出CyGLN模型，创新性地通过全局图构建和周期时间向量，突破传统时序知识图谱（TKG）推理中跨时间戳语义学习与长周期模式捕获的瓶颈。该模型整合图神经网络（GNN）与循环神经网络（RNN），在ICEWS数据集上显著提升预测性能，为生命科学领域事件预测与动态关系挖掘提供新范式。

　　

研究亮点

据我们所知，这是首个显式学习跨时间戳语义信息与周期模式的模型。

我们提出CyGLN——一种卓越的时序知识图谱推理模型。通过共有实体连接不同时间点的时序知识图谱，构建全局图并利用图神经网络学习跨时间戳语义信息。此外，在解码器中引入周期时间向量以捕获全局图中实体间的时序关系并提取周期性。

结论

据我们所知，这是首个显式学习跨时间戳语义信息与周期模式的模型。本文中，我们提出新颖的CyGLN模型。在局部建模中，采用图神经网络（GNN）与循环神经网络（RNN）捕获局部时间窗内实体和关系的语义与周期信息，同时利用实体静态属性作为背景知识约束实体。在全局建模中，通过共有实体将不同时间点的时序知识图谱连接为全局图。