并非所有记忆的年龄都相同：知识图中自适应衰减的自动发现

用于检索的知识图将所有事实视为同样最新的。现有的时间方法应用均匀衰减，无论知识类型如何，都使用单个遗忘曲线。我们表明这从根本上是错误的：不同的知识类型表现出不同的时间动态，核心检索问题不是延迟或吞吐量，而是识别查询时重要的内容。我们提出了一个分层框架，用由两个正交信号参数化的连续衰减表面代替均匀衰减：速度（观察到概念的频率）和波动性（观察之间的值变化有多少，通过嵌入距离测量）。衰减表面被分解为三个可学习的级别：域级参数捕获通用模式（一些谓词本质上是永久性的，其他谓词本质上是瞬态的），上下文级参数捕获依赖于设置的变化，实体级适应将衰减个性化到特定主题。所有参数都是通过对观察到的价值生命周期进行生存分析得出的数据，不需要预定义的分类法或领域专业知识。我们将边缘生命周期表述为一个生存问题，其中事件是值取代（有意义的不同值替换当前值），与单纯的重新观察不同。合成时间知识图的实验证明了植入的分层参数的恢复（HDBSCAN ARI = 1.0）。对 107 篇维基百科文章和 Synthea 临床 EHR 模拟器的 1,163 条患者记录进行的验证表明，速度波动簇自然出现，与可观察到的持久性模式一致，并且几乎普遍表现出林迪效应（威布尔形状 k < 1）。均匀衰减的性能比没有时间加权差 18 倍。异质衰退由此恢复，每个层次级别都贡献了可测量的改进。