eduzrh/MultiWorld-Align_Datasets

MultiWorld-Align — 数据集、复现代码与结果

本仓库包含三部分：

1. 数据集（仓库根目录下的 6 个文件夹）：DIWY-4、IWY-3、ICEWS-4、ICEWS-3、DBP-4、DWY-3
2. 复现代码（code/）：MultiWorld-Align 本体 + MultiEA 基线
3. 审计与结果（reports/、results/）

代码覆盖论文 Eq.(1)–(12) 与附录 B.3 / D.1 的全部方法要素，逐条映射见 reports/MWA_论文实验支撑性审计.md。

数据集格式

每个数据集目录：

<DATASET>/
  train.txt / valid.txt / test.txt   每行 "src dst rel time"（time 为 1..T 的切片号）
  splits/                            train_10.txt ... train_50.txt（种子元组比例实验用）
  stats.json                         实体/关系/切片数等统计

代码结构

code/
  run.py            单次实验入口
  mwalign/
    config.py       超参与运行配置（CLI 由 dataclass 自动生成）
    data.py         数据集加载、划分、时段索引
    features.py     结构/时间特征直方图（Sec. 4.3.1 事实数分位划分）
    encoder.py      Stage I 时间感知编码器（Eq. 1-2）
    simulator.py    联合演化超图 + Neural CDE/ODE（Eq. 3-4），RK4 + 自然三次样条
    model.py        readout（Eq. 5）、周期状态与相似度（Eq. 9-10）、稀疏迁移（Eq. 11）
    objectives.py   四种对齐策略（Eq. 6-7）与联合损失（Eq. 8）
    inference.py    候选生成、二阶组合打分（Eq. 12）、M-Hits / M-MRR
    train.py        训练循环、模型选择、周期统计
    multiea.py      MultiEA 基线（gcn / paper / plus 三变体）
  scripts/
    selfcheck.py      6 项数值与一致性自检
    make_toy.py       合成小数据集（含无事实实体与不可答元组）
    run_matrix.sh     实验矩阵跑批：main / abl / strat / ratio / eff
    aggregate.py      多随机种子聚合为 mean±std（Markdown / CSV）
    smoke_ablation.sh 19 配置冒烟

快速开始

pip install torch numpy

# 0) 自检：合成数据 + 6 项断言，CPU 约 20 秒
python code/scripts/make_toy.py /tmp/toy TOY-3
python code/scripts/selfcheck.py --root /tmp/toy --name TOY-3 --P 2

# 1) 单次运行：MultiEA 基线 / MultiWorld-Align
python code/run.py --model multiea --enc-variant plus --root . --name ICEWS-3 \
       --epochs 30 --seed 42 --out-dir runs --tag probe_s42

python code/run.py --model mwa --root . --name ICEWS-3 \
       --epochs 30 --seed 42 --dz 16 --P 4 --feat-periods 4 \
       --out-dir runs --tag probe_s42

# 2) 论文表格所需的整组实验（标签自动按 <DS>__<family>_<setting>_s<seed> 命名）
ROOT=. bash code/scripts/run_matrix.sh ICEWS-3 main
SEEDS="42 43 44" ROOT=. bash code/scripts/run_matrix.sh ICEWS-3 abl

# 3) 聚合
python code/scripts/aggregate.py runs --csv runs/summary.csv

run_matrix.sh 的五个 family 与论文的对应关系：

family	对应论文	内容
main	主表	MWA vs MultiEA(gcn/paper/plus)
abl	消融图	7 个 w/o ... + full
strat	Eq.(6)-(7)	四种对齐策略
ratio	种子比例表	10%–50% 训练元组
eff	效率表	参数 / 训练 / 推理时间

评测口径

• 排名对象是目标图的全部实体（附录 D.1），不是在候选集内排序。
• M-Hits@K：该元组的全部 counterpart 都落在 top-K 才算命中；M-MRR 取最小名次。
• 并列采用乐观口径 rank = 1 + #{s > s_true}。
• coverage：测试元组成员全部至少有一条事实的占比；*_ans 只在这些元组上统计。
• 退化查询（目标图全体实体同分）单独守卫，记为最差名次，不污染均值。

当前结果

results/ 下是 ICEWS-3 的主对比（单种子、各 1 epoch，仅用于验证表格链路可跑通，不用于对齐论文数值）：

setting	M-H@1	M-H@10	M-MRR	params	训练(s)	推理(s)
multiea_gcn	19.52	29.57	34.11	7.32 M	1.3	0.2
multiea_paper	17.92	28.67	30.18	7.19 M	4.7	0.2
multiea_plus	20.37	31.58	36.11	7.59 M	4.7	0.3
mwa	33.83	48.36	50.15	8.87 M	482.1	4.7

完整表格、可答口径与效率列见 results/主对比_ICEWS-3.md。

未闭合的缺口

诚实清单见报告 §5，主要有三项：

1. 论文 PDF 未能取回，超参表与附录表格无法逐字复核（方法层面 Eq.(1)–(12) 已全覆盖）。
2. Eq.(12) 的候选组合在 P 较大时显存开销为 O((M-2)·P·|V_m1|·|V_m2|)，需分块或近似。
3. 并列（ties）目前只实现乐观口径，悲观口径待补。

引用

• MultiWorld-Align（本仓库主体）
• Multi-TEA / MultiEA（WWW'26），基线与数据集来源