Enhancing Temporal Knowledge Graph Forecasting with Large Language Models

最新推荐文章于 2025-07-26 19:00:43 发布

UnknownBody

最新推荐文章于 2025-07-26 19:00:43 发布

阅读量524

点赞数 7

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/138335351

LLM Daily 同时被 3 个专栏收录

1392 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

Knowledge Graph

82 篇文章 ¥99.90 ¥299.90

订阅专栏

Graph Neural Network

23 篇文章

订阅专栏

本文探讨了如何通过历史链推理（CoH）改进基于大型语言模型（LLM）的时间知识图谱（TKG）预测，解决了LLM在处理高阶历史信息和时间推理上的局限性。CoH作为play-and-plug模块，增强了基于图的TKG预测模型的性能，实验结果验证了其有效性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《Enhancing Temporal Knowledge Graph Forecasting with Large Language Models via Chain-of-History Reasoning》的翻译。

摘要

时间知识图谱（TKG）预测旨在基于给定的历史来预测未来的事实。最新的基于图的模型擅长捕捉TKG中的结构信息，但缺乏语义理解能力。如今，随着LLM的激增，基于LLM的TKG预测模型已经出现。然而，现有的基于LLM的模型存在三个缺点：（1）它只关注一阶历史进行预测，而忽略了高阶历史信息，导致为LLM提供的信息极其有限。（2） LLM在繁重的历史信息负载下难以获得最佳推理性能。（3）对于TKG预测，LLM单独的时间推理能力是有限的。为了解决前两个挑战，我们提出了历史链（CoH）推理，该推理逐步探索高阶历史，在TKG预测中实现LLM对高阶历史信息的有效利用。为了解决第三个问题，我们将CoH设计为一个pali和plug模块，以提高基于图形的TKG预测模型的性能。在三个数据集和主干上进行的大量实验证明了CoH的有效性。