关注问题：现有的少样本知识图谱补全技术主要针对静态知识图谱，事实上KG中的Fact会根据时间而变化，时序图谱数据面临更严重的数据稀疏问题。本文针对这个问题提出One-Shot场景提出模型。
来源：AAAI 2021
问题定义
本文针对One-Shot的时序动态知识图谱补全任务。所谓One-Shot是指，对一个关系只能看到一个标注数据（支持集）。因为本文关注时序的知识图谱补全，引起作者引入了时间信息的限制，体现在以下方面：
- 支持集（Support Set）与查询集（Query Set）的划分：查询集的时间窗口与支持集的时间窗口是不交叉的，查询集的四元组
(h, r, t, time)对应的时间戳都在支持集的时间戳之后。 - 训练、测试与验证集划分：时间顺序一次为 训练集<验证集<测试集
模型
模型分为两部分：实体编码器（Entity Encoder）和打分网络。实体编码器的目的是学习时间相关的（time-aware）的实体表示，这是模型的最核心部分。相比之下，打分网络与已有的少样本静态图谱的补全模型相比有点平平无奇。
实体编码器
实体编码器分为两部分，第一部分，对某个时间戳（time snapshot）的静态图结构的编码。对特定时间戳的图结构，将实体的邻居的关系与尾实体表示向量concatenate之后，经过单层全连接网络之后求和得到：
$$f(N_r(e)) = \sigma (\frac{1}{C_{e_r}}\sum_{r} \sum_{e_j}(W^T[v_r;v_{e_j}]+b))$$
将邻居信息与当前表示cancat作为节点表示$x_r^e = [f(N_r(e));v_e]$。
第二部分，是时间相关的聚合网络。本篇工作使用Transformer对多个时间戳的表示进行聚合表示。首先将多个时间戳的表示建模为序列$x={x^e_{t-l},\dots, x^e_{t-1}}$，Transformer输出表示$z=Att(x, Heads, Layers)$
将最后一层的各个时间戳状态$z_{t}$ concatenate 之后经过FCN得到最终时间相关的表示
$$h_e = \sigma ([z_{t-l}, \dots, z_{t-1}]W^{*})$$
实体对表示
对实体对$(h, t)$，使用静态表示和entity encoder学习得到的表示concat在一起$s=[h_{s_0}, v_{s_0}, h_{o_0}, v_{o_0}]$，经过两层全连接网络和残差连接得到实体对表示。
$$
x^{(1)}=\sigma (W^{(1)}x+b^{(1)}) \
x^{(2)}=\sigma (W^{(2)}x^{(1)}+b^{(2)}) \
\mathcal{M}(x)=x^{(2)}+x
$$
打分
打分函数简单到难以置信，把支持集的表示和查询实体对的表示进行点积得到最后的分数。在实验中，作者对比了dot product和GMatching使用的LSTM网络，发现直接dp已经可以获得足够好的效果。
