摘要
时间知识图谱推理是动态场景下实现智能决策的关键技术，但现有模型存在诸多缺陷，包括对复杂情境的建模能力不足、缺乏实体重要性量化手段、新事件推理的准确性不够高，以及领域适应性较弱。为解决这些问题，本研究提出了一种基于语义增强的模型（LLM-DSaR），该模型整合了大型语言模型、时间注意力网络以及优化的对比学习技术。具体而言，该模型首先通过自适应提示工程生成结构化的语义分析报告，再通过池化与线性投影从最后一层的隐藏状态中提取领域特定的语义嵌入，并将其与基于TransE的结构嵌入相融合；同时，LLM2可有效解决新事件推理中的数据稀疏问题。此外，该模型还采用了动态权重融合框架来自适应分配特征权重，以实现特征间的深度协同作用，而经过大型语言模型优化的对比学习模块则能进一步提升事件聚类与区分能力。在五个公开数据集以及一个自行构建的机器人时间知识图谱上的实验表明，LLM-DSaR的性能优于16种基准模型：在RTKG数据集上，其MRR值比GCR高出10.35个百分点，Hits@10指标则达到了88.87%。消融实验进一步验证了各核心模块的有效性，证明LLM-DSaR能够应用于机器人维护预测等专业场景，为复杂领域的知识图谱推理提供了新的技术思路。
