tkger
stmrdus/tkger加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你正在查阅一个金融风控系统的历史数据——2020年的贷款记录、2021年的欺诈案例、2022年的政策调整……这些信息并非孤立存在，而是沿着时间轴不断演变、互相影响。传统知识图谱只能描述"是什么"（What），却无法回答"什么时候"（When）和"如何演变"（How）的问题。
时序知识图谱（Temporal Knowledge Graph, TKG） 正是为解决这一痛点而生。它在传统知识图谱的基础上，为每条边（关系）打上时间戳，捕捉知识在时间维度上的动态演化规律。自2014年起，这一领域的研究论文数量呈指数级增长，研究者面临"文献太多、无从下手"的困境。
TKGER（Temporal Knowledge Graph Embedding and Reasoning）正是为解决这一信息过载问题而生的Awesome风格论文索引库，由研究者 Nam Le 维护，持续追踪 TKG 嵌入与推理领域的最新进展。
TKGER 是一个精心整理的学术论文索引仓库，专注于时序知识图谱嵌入（Temporal Knowledge Graph Embedding, TKGE）和时序推理（Temporal Reasoning）两个核心方向。它并非一个可运行的代码库，而是一个面向研究者的知识导航工具，类似于著名的"awesome-list"系列。
该仓库收录的内容按以下维度组织：
| 类别 | 内容 |
|---|---|
| 论文分类 | 按发表 venues 分类（顶会如 ICLR/NeurIPS/AAAI，期刊如 IEEE TNNLS/KBS） |
| 年份索引 | 覆盖 2014–2025 年的最新研究 |
| 论文元数据 | 标题、作者、arXiv 链接、发表信息 |
| 教程与综述 | 梳理领域发展脉络的survey papers |
TKGE 是将时序知识图谱中的实体和关系映射到低维向量空间的技术，核心目标是同时建模结构信息和时间信息。
代表性研究方向：
该方向关注如何利用历史知识预测未来事件：
GraphCare（ICLR 2023）是将时序知识图谱应用于医疗护理的代表性工作，展示了在真实场景中的落地价值。
如果你刚开始研究时序知识图谱，按以下路径阅读：
TKGER 按发表 venues 分类，方便定向检索：
通过 README 中的 Table of Contents，可以直观看到各子领域的研究热度：
| 范式 | 代表方法 | 特点 |
|---|---|---|
| 时间编码（Time Encoding） | TTransE、TA-DistMult | 将时间视为额外维度，编码到向量中 |
| 时间感知（Time-Aware） | CyGNet、TiRGN | 时间信息直接影响关系推理过程 |
传统 TKGE 模型在内推（已知时间窗口内预测）上表现尚可，但外推（预测未来未见事件）能力薄弱。规则引导的强化学习方法正是针对这一痛点提出的。
Galkin 等人（2023）的工作首次将预训练语言模型引入 TKG 推理，开创了"LLM + 知识图谱"的新范式，代表了未来 3-5 年的主流方向。
时序知识图谱领域缺乏像 FB15k-237 那样公认的标准化 benchmark。现有数据集（ICEWS18/14、GDELT）规模和时间跨度各异，导致不同论文的实验结果难以直接对比。
部分论文仅提供 arXiv 链接，代码和数据集链接缺失，学术圈的可复现性难以保证。这也是 TKG 领域被诟病的问题之一。
大多数工作仅关注链接预测的 Hits@10 / MRR 指标，对时间预测准确性、推理可解释性等维度关注不足。
TKGER 的存在本身说明了 TKG 领域的热度与混乱并存——论文数量激增，但缺乏系统梳理。该仓库的维护者实际上承担了"民间学术期刊编辑"的角色。
从增长趋势看，TKG 正处于从学术研究向工业落地的过渡期：
TKGER 作为当前最全面的论文索引，将持续伴随这一领域的成长。对研究者而言，它是一个高效的情报枢纽；对从业者而言，它是了解领域进展的窗口。
一句话总结：TKGER 不是代码工具，而是时序知识图谱领域研究者必备的论文导航站，适合作为科研起步的文献调研入口。