FL-Evo：融合事实与逻辑演化模式的时序知识图谱推理模型

针对时序知识图谱推理(TKGR)中知识采样不充分、演化模式捕捉低效等挑战，研究人员提出FL-Evo模型，通过大语言模型(LLM)提炼事实知识、挖掘时序逻辑规则，构建双路径演化推理框架。实验显示其在五个基准数据集上Hit@3提升3.97%，尤其显著改善未见实体推理性能，为金融分析、政策制定等时序决策场景提供新范式。

　　

在信息爆炸的时代，时序知识图谱(Temporal Knowledge Graph, TKG)作为组织动态世界知识的核心工具，其推理能力直接影响金融风险预测、政策效果评估等关键领域。然而，现有方法面临三重困境：连续采样导致相关事实丢失、孤立子图阻碍知识传递、新兴实体缺乏历史记录。这些瓶颈使得传统模型在预测如“某政客何时会获得国际声援”等复杂事件时，往往陷入“盲人摸象”的窘境。

针对这一挑战，中国研究人员创新性地提出FL-Evo模型，通过融合大语言模型(LLM)的常识推理能力与TKG的时序特征，首次实现事实与逻辑演化模式的双轨建模。该研究发表在《Expert Systems with Applications》上，实验证明其推理准确率最高提升4.07%，特别对突发事件的预测表现出色，如成功推断出“克里在2014年2月受佩雷斯公开赞扬”这一真实政治事件。

关键技术方法包括：1) 基于提示工程从LLM提取实体关系先验知识；2) 设计实体中心子图采样策略捕捉局部演化；3) 时序规则挖掘算法（如Praise or endorse←Praise or endorse）；4) 动态融合模块平衡事实与逻辑贡献。使用ICEWS等五个国际标准数据集验证，包含政治、经济等多领域事件。

【Fact and Logic Knowledge Module】
通过设计20类提示模板，从LLM提取实体属性、关系约束等结构化知识。例如“佩雷斯-外交家-诺贝尔奖”等三元组，经TKG校准后作为补充知识库。这使模型对新兴实体（如突然出现的政客）的推理误差降低31%。

【Fact Evolution Pattern】
采用动态子图采样器，以查询实体为圆心提取时序邻域。相比传统滑动窗口，该方法在ICE18数据集上使相关事实召回率提升58%，成功捕获“佩雷斯-克里”互动链在2014年2月的密集演化特征。

【Logic Evolution Pattern】
从450万条时序边中挖掘出127条有效规则，如“谴责事件常滞后于外交会晤3天”。这些规则通过概率软逻辑(PSL)编码，辅助预测未见关系，使Hits@10指标提升2.3个百分点。

【Fusion Module】
设计门控注意力机制动态加权两类知识。消融实验显示，当事实置信度<0.4时，逻辑路径贡献度达67%，印证“常识填补数据空白”的设计初衷。

该研究突破性地证明：1) LLM先验知识可有效缓解冷启动问题，使未见实体推理性能提升22%；2) 时序规则的显式建模比传统RNN隐式编码更易解释；3) 双路径融合在复杂事件预测中具有1+1>2效应。这些发现为构建可解释、强泛化的时序推理系统奠定基础，特别适用于突发危机预警等低数据密度场景。未来工作将探索多模态知识注入与分布式规则挖掘，进一步释放时序认知智能的潜力。