新的可解释的基于规则的时间知识图谱预测方法

研究人员开发了CountTRuCoLa，一种用于时间知识图谱预测的新方法，该方法使用符号规则来实现可解释性。该方法学习四种类型的规则，结合了近期性和频率性，并在九个数据集上展示了与最先进模型相媲美的性能。值得注意的是，CountTRuCoLa提供了可追溯的预测，并且在大规模数据集上保持高效，而其他方法则在该类数据集上失败。 AI

影响 为时间知识图谱预测提供了一种更具可解释性和效率的方法，有可能提高模型的透明度和可扩展性。

排序理由 该集群包含一篇详细介绍时间知识图谱预测新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• CountTRuCoLa
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Julia Gastinger
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →