linxy/ICEWS05_15

该数据集用于时间知识图推理任务，基于ICEWS和GDELT这两个广泛使用的基准。数据集首次在论文《TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph》中引入。数据集包含训练、验证和测试集，提供了查询示例和元信息加载方法，支持查询类型特定的子部分。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 任务类别: 图机器学习（graph-ml）
• 语言: 英语（en）
• 数据集大小: 1M<n<10M

数据集内容

• 构建基础: 基于ICEWS和GDELT，这两个数据集在时间知识图谱补全（TKGC）领域广泛使用。
• 首次引入: 在论文"TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph"中首次介绍。

数据集结构

• 数据加载示例: python

  dataset = load_dataset("linxy/ICEWS05_15", "all") len(dataset["train"]) + len(dataset["validation"]) + len(dataset["test"]) 4651939

• 数据集样本示例: python {query_name: Pe, definition: def Pe(e1, r1, t1): return Pe(e1, r1, t1), query: [3751, 125, 1330], answer: [10136], easy_answer: [], args: [e1, r1, t1]}

• 元信息加载示例: python {dataset: ICEWS05_15, entity_count: 10488, relation_count: 251, timestamp_count: 4017, valid_triples_count: 46275, test_triples_count: 46092, train_triples_count: 368962, triple_count: 461329, query_meta: {...}, entity2idx: {...}, relation2idx: {...}, timestamp2idx: {...}}

数据集统计

• 查询计数统计: 提供不同查询类型的训练、验证和测试集的查询数量。
• 平均答案计数统计: 提供不同查询类型的训练、验证和测试集的平均答案数量。

数据集使用

• 数据集加载: 支持加载完整数据集、元信息以及特定查询类型的子部分。

联系方式

• 联系人: Lin Xueyuan
• 邮箱: [e-mail]

引用信息

• 论文引用: 如使用数据集，请引用"TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph"。

bibtex @inproceedings{ xueyuan2023tflex, title={TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph}, author={Lin Xueyuan and Haihong E and Chengjin Xu and Gengxian Zhou and Haoran Luo and Tianyi Hu and Fenglong Su and Ningyuan Li and Mingzhi Sun}, booktitle={Thirty-seventh Conference on Neural Information Processing Systems}, year={2023}, url={https://openreview.net/forum?id=oaGdsgB18L} }

搜集汇总

数据集介绍

构建方式

ICEWS05_15数据集构建于广泛使用的时序知识图谱基准ICEWS和GDELT之上，旨在支持时序知识图谱推理任务。该数据集首次在论文《TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph》中引入，通过整合多个时序知识图谱的实体、关系和时间戳，构建了一个包含复杂查询和答案的多样化数据集。

使用方法

使用ICEWS05_15数据集时，用户可以通过HuggingFace的`load_dataset`函数加载数据集，并选择不同的子集进行训练、验证和测试。数据集提供了多种查询类型的子集，用户可以根据需求加载特定的查询类型。此外，数据集还提供了元信息，用户可以通过这些信息将查询中的ID解码为具体的实体、关系和时间戳名称，从而进行更深入的分析和推理。

背景与挑战

背景概述

ICEWS05_15数据集是基于时间知识图谱推理任务构建的，主要用于解决复杂的时间知识图谱推理问题。该数据集建立在广泛使用的ICEWS和GDELT基准之上，首次在2023年由Lin Xueyuan等人提出的论文《TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph》中引入。该数据集的核心研究问题是如何在时间知识图谱中进行复杂的推理，其影响力在于为时间知识图谱推理领域的研究提供了新的基准和挑战，推动了该领域的发展。

当前挑战

ICEWS05_15数据集面临的挑战主要集中在时间知识图谱推理的复杂性上。首先，数据集中的时间序列信息和实体关系的动态变化增加了推理的难度。其次，构建过程中需要处理大量的时间戳和关系数据，确保数据的准确性和一致性。此外，如何有效地将时间特征与逻辑嵌入相结合，以实现高效的复杂推理，也是该数据集面临的重要挑战。这些挑战不仅推动了时间知识图谱推理技术的发展，也为相关领域的研究提供了新的思路和方法。

常用场景

经典使用场景

ICEWS05_15数据集主要用于时间知识图谱推理任务，特别是在处理复杂的时间序列关系时表现尤为突出。该数据集通过提供丰富的实体、关系和时间戳信息，支持模型在时间维度上进行深度推理，适用于多种查询类型，如实体查询、关系查询和时间查询。其经典使用场景包括但不限于时间知识图谱的构建、时间序列预测以及复杂事件推理等。

解决学术问题

ICEWS05_15数据集解决了时间知识图谱领域中复杂推理的核心问题，特别是在处理多跳查询和时间依赖性方面。通过提供大规模的时间序列数据，该数据集为研究者提供了一个标准化的基准，用于评估和改进时间知识图谱推理算法。其意义在于推动了时间知识图谱推理技术的发展，为相关领域的研究提供了坚实的基础。

实际应用

在实际应用中，ICEWS05_15数据集可广泛应用于情报分析、社会事件预测、金融风险评估等领域。通过分析历史事件的时间序列关系，模型能够预测未来可能发生的事件，从而为决策提供支持。此外，该数据集还可用于智能推荐系统，通过理解用户行为的时间模式，提供更加精准的个性化推荐。

数据集最近研究

最新研究方向

在时序知识图谱（Temporal Knowledge Graph, TKGC）领域，ICEWS05_15数据集的最新研究方向主要集中在复杂推理任务上。该数据集基于广泛使用的ICEWS和GDELT基准，首次在论文《TFLEX: Temporal Feature-Logic Embedding Framework for Complex Reasoning over Temporal Knowledge Graph》中引入，旨在通过时序特征逻辑嵌入框架解决复杂推理问题。研究者们致力于开发高效的嵌入模型，以捕捉时序知识图谱中的动态变化，并提升推理的准确性和效率。这一方向的研究不仅推动了时序知识图谱在实际应用中的发展，如事件预测和因果关系分析，还为相关领域的算法创新提供了新的思路和基准。