通过TKG-LPEHD增强的时间知识图谱推理：LLM驱动的图与规则方法动态融合

《Data & Knowledge Engineering》：Enhanced temporal knowledge graph reasoning through TKG-LPEHD: LLM-driven dynamic fusion of graph and rule-based methods

　　

时间知识图谱（Temporal Knowledge Graphs, TKGs）对于理解动态、随时间演变的真实世界场景至关重要。然而，在推理过程中对时间有效性（temporal validity）的有效建模仍然是一个关键且常被忽视的挑战。依赖静态表示或预定义时间窗口的传统方法难以捕捉规则随时间变化的上下文依赖性，导致预测不准确以及对演化关系的理解受限。为解决这些问题，研究人员提出了TKG-LPEHD，一种新颖框架，深度融合了基于规则的推理（rule-based reasoning）、基于图的推理（graph-based reasoning）和大型语言模型（Large Language Models, LLMs），以动态建模规则的时间有效性。关键特征是一个LLM引导的动态规则提取和动态权重融合推理机制。该框架采用LLM引导的三维关系路径采样策略，结合LLM辅助的有效性评估，并通过动态权重融合基于规则和基于图的推理，以确保推理规则的高质量和时间相关性。设计进一步优化了Neo4j存储架构、时序SPARQL查询工程以及系统调优的提示工程（prompt engineering），以促进实际部署。在公开基准和一个保密的中文时间知识数据集上的评估表明，所提出的方法显著优于现有最先进方法，并在长程时间推理任务上取得了出色性能。这项研究不仅验证了将时间有效性明确作为核心推理维度的范式，还为包括金融预测和地缘政治分析在内的高风险应用提供了更可解释且具有时间感知的解决方案。

时间知识图谱（Temporal Knowledge Graphs, TKGs）将事实与时序关联，对于金融预测、地缘政治分析等动态场景至关重要。然而，现有推理方法（如静态嵌入、预定义时间窗口）无法有效建模时间有效性（temporal validity），导致规则适用性随时间变化而失真，预测不准确。因此，研究人员提出TKG-LPEHD框架，旨在深度融合规则推理、图推理和大型语言模型（LLM），动态建模规则的时间有效性。

研究人员开展的研究：提出了TKG-LPEHD框架，包含LLM引导的三维关系路径采样、LLM辅助有效性评估、规则优先排序、自适应规则演化、LLM引导的动态权重融合推理等模块，并优化了Neo4j存储和SPARQL查询。在公开基准ICEWS14、ICEWS18和私有医疗数据集MHAES上评估，与多种基线对比，验证了其优越性。结论：TKG-LPEHD在MRR、Hit@1、Hit@10上全面超越现有方法，尤其在长程时间推理任务上表现突出。重要意义：验证了将时间有效性作为核心推理维度的范式，为高风险应用提供可解释且时间感知的解决方案。论文发表在《Data》。

关键技术方法（不超过250字）：1. LLM引导的三维关系路径采样：综合语义相关性（Sentence-BERT余弦相似度）、出现频率和时间相关性，通过加权融合计算复合分数，并由LLM验证路径语义一致性。2. LLM辅助有效性评估：融合文本语义和时间差（Δti），由LLM推断规则有效周期V。3. 规则优先排序：基于规则置信度（c_p≥0.6）和有效性覆盖度C计算优先级分数P，过滤低质量规则。4. 自适应规则演化：根据实时TKG数据动态更新优先级，修剪低优先级规则，并补充采样优化规则集。5. LLM引导的动态权重融合推理：规则推理得分（考虑时间衰减）和图推理得分（嵌入内积）通过时间感知动态权重α_dynamic融合，LLM进行双向路径互验。

研究结果（保留每个小标题，简要说明通过什么研究得出什么结论）：
- 5.1 实验设置：使用ICEWS14、ICEWS18和MHAES数据集，以MRR、Hit@1、Hit@10为指标，与嵌入法、规则法、LLM增强法等基线对比。
- 5.2 性能比较：通过对比实验，TKG-LPEHD在所有数据集上MRR、Hit@1、Hit@10均优于所有基线，例如在ICEWS14上MRR达45.3%，在MHAES上MRR达92.8%，证明其全维度优越性。
- 5.3 计算效率分析：通过时间成本测量，离线预处理可在一小时内完成，在线推理平均延迟79秒，整体效率优于循环神经网络和图卷积网络方法。
- 5.4 消融研究：逐一移除LLM引导、时间有效性、候选实体提示模块后，性能显著下降，表明各模块不可或缺且互补。
- 5.5 时间有效性分析：在月度与年度粒度上测试，TKG-LPEHD在长跨度时间上性能稳定，而TLogic和RE-GCN下降明显，证明其时间有效性建模在长程依赖中的关键作用。
- 5.6 对LLM配置的鲁棒性：通过替换LLM（Llama-2-7B、GPT-3.5 Turbo）、改写提示、改变解码策略，性能变化仅0.6%~5.2%，表明框架对LLM变化不敏感。
- 5.7 灵敏度分析：测试规则优先级阈值（0.4~0.8），发现阈值0.6时性能最佳，平衡规则质量与覆盖度。
- 5.8 实际应用与用户反馈：在中国企业部署，动态规则演化减少人工维护，SPARQL与LLM无缝集成，有效区分时间相关事实与噪声，获得正面反馈。

总结讨论部分：论文的结论部分总结了研究。翻译研究结论：本研究提出了TKG-LPEHD，一个用于时间知识图谱推理的集成架构。核心创新在于大型语言模型、动态规则学习和图建模的有机结合，并针对实际时间推理需求进行了优化。该框架实现了所有功能单元间的完整协作流程：利用LLM完成多维路径采样和全规模质量检查；新设计的动态规则演化机制打破了固定时间设置的限制，随着知识图谱演化保持规则集的时效性；定制的上下文感知权重融合策略使图表示和规则推理灵活协作，极大增强了系统对多样复杂时间场景的适应性。相关实验验证了所提出架构的实用价值。所有核心模块协同支持整体推理过程，集成设计确保了在各种应用环境中的稳定运行。当前实现存在若干固有缺陷：LLM的使用增加了在线推理计算开销；路径采样模块在处理超大规模TKG时遇到可扩展性问题；实验研究仅限于私有数据集的部分内容。本研究探索的技术方案为后续研究提供了有价值的启示：将LLM作为辅助功能部分而非独立推理引擎，可以更好地服务于结构化推理任务；符号规则、图结构和预训练表示的协同设计为TKG研究开辟了新方向；该框架的设计理念可参考以开发更轻量级和可扩展的推理系统。